conversation_by_q6k

[bot_external]

Nie, jako dane mogą być określane nie tylko duże zbiory danych. Zgodnie z opisem w Wikipedii, dane to "zbiór dyskretnych lub ciągłych wartości, które przekazują informacje, opisując ilość, jakość, fakt, statystyki, inne podstawowe jednostki znaczenia, lub po prostu sekwencje symboli, które mogą być dalej formalnie interpretowane". Oznacza to, że dane mogą mieć różne formy i rozmiary, nie tylko duże zbiory danych.

[student_905_q6k]

Opowiedz mi więcej o przypadkach granicznych

[bot_external]

W kontekście dostępnym, przypadki graniczne są omawiane wraz z rozwiązaniem problemu z plikiem "test_B1.jpg", który przedstawia niechlujnie zapisaną cyfrę. W takich przypadkach, model ma problem z jednoznacznym rozpoznaniem cyfry.

Zgodnie z opisem, w takich przypadkach mamy dwa wyjścia:

1. Jeżeli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych, a następnie dodać je do prawidłowych dla nich klas.
2. Jeżeli sami nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych, możemy stworzyć klasę pośrednią, w tym wypadku np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki.

Nie ma dodatkowych informacji o przypadkach granicznych w kontekście dostępnym.

[student_905_q6k]

Powiedź więcej o problemie nierownej liczebnosci klas

[bot_external]

Problem nierówności liczności klas dotyczy sytuacji, w której w zbiorze danych występują klasy o różnej liczbie elementów. W opisanej sytuacji mamy do czynienia z bardzo rzadką chorobą, w której w zbiorze danych występuje tylko jeden chory na 99 zdrowych. Model, który został wytrenowany na takich danych, zignorował klasę mniej liczną i automatycznie przypisał wszystkie przykłady do klasy dominującej, osiągając wysoką dokładność, ale nie spełniając swojego głównego zadania, czyli prawidłowego zdiagnozowania osoby chorej.

W takich przypadkach model nie jest w stanie nauczyć się rozpoznawać klasę mniej liczną, ponieważ jest ona zbyt rzadka w danych. Aby rozwiązać ten problem, należy uzupełnić klasę mniej liczną o więcej danych, aby model mógł nauczyć się rozpoznawać ją poprawnie.

Przykładem takiego przypadku jest sytuacja z plikiem "test_B2.jpg", który przedstawia cyfrę 3, dla której w danych wejściowych mamy do czynienia ze skrajnie nierówną liczebnością klas - w klasie "3" znajduje się tylko jeden przypadek. W takim przypadku model nie jest w stanie nauczyć się rozpoznawać cyfry 3, dlatego należy uzupełnić klasę "3" o więcej danych i ponownie wytrenować model.

[student_905_q6k]

Zbiór uczący (ang. train set) zawiera przykłady, na których, jak sama nazwa wskazuje, model nie uczy się, znając z góry prawidłową klasyfikację. Prawda czy Fałsz?

[bot_external]

Odpowiedź to: Fałsz.

Zbiór uczący (ang. train set) zawiera przykłady, na których model się uczy, znając z góry prawidłową klasyfikację.

[student_905_q6k]

... Jak możemy zauważyć na ilustracji, dostępnych mamy kilka różnych opcji - od 16 do 512. Dlaczego akurat od 16 do 512?

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Nie ma informacji, dlaczego akurat od 16 do 512. Można jedynie stwierdzić, że dostępnych jest kilka różnych opcji, od 16 do 512.

[student_905_q6k]

Jaka jest najwyższa możliwa wartość metryki?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście dostępnym. W opisie metryk, w sekcji "Metryki w kontekście Uczenia Maszynowego" czytamy:

"Dla wszystkich metryk, które omówimy, im wyższa wartość, tym wyższa ocena modelu. Przykładowo, model z metryką o wartości 0,9 jest więc lepszy o modelu z metryką o wartości 0,7."

Z tego opisu wynika, że najwyższa możliwa wartość metryki jest 1, ponieważ jest to maksymalna wartość, która może być osiągnięta przez model.

[student_905_q6k]

Czy jest jakaś metryka uważana za najskuteczniejszą w najwiekszej ilosci przypadkow?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście dostępnym. W sekcji "Metryki w kontekście Uczenia Maszynowego" czytamy:

"precyzja (precision) - jest najważniejszą metryką, jeżeli głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych - przykładowo, diagnozujemy chorobę, na którą jest tylko jeden lek, i ma niechciane efekty uboczne, w związku z czym chcemy mieć pewność, że nie będziemy niepotrzebnie podawać go osobom zdrowym - precyzja naszego modelu powinna być jak najwyższa"

Z tego opisu wynika, że precyzja (precision) jest uważana za najskuteczniejszą metrykę w przypadkach, w których głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych.