conversation_by_qnv

[bot_external]

Oto odpowiedź na pytanie kursanta:

"By naprawić tę sytuację, musimy uzupełnić klasę "3" o zawartość katalogu "3" z Materiałów, następnie ponownie wytrenować model i ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd"."

"Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decydując niepoprawnie."

"W takich przypadkach, mamy dwa wyjścia: 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 - musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek"

[student_994_qnv]

nie pytałem o ten plik i nie mam jeszcze trzeciej kategorii

[bot_external]

Oto odpowiedź na pytanie kursanta:

"Nie martw się, nie musisz mieć trzeciej kategorii. W tym przypadku wystarczy, że uzupełnisz klasę "3" o zawartość katalogu "3" z Materiałów i ponownie wytrenujesz model. Następnie możesz ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd" i sprawdzić, jak się zachowa model."

[student_994_qnv]

pytałem o plik "test_3" mając jeszcze dwie klasy

[bot_external]

Oto odpowiedź na pytanie kursanta:

"By poradzić sobie z takim przypadkiem danych z spoza klas, musimy: Dodać nową klasę dla cyfry 4. Załadować do niej dane z katalogu "4" z Materiałów. Ponownie wytrenować model. Ponownie załadować plik "test_B3.jpg" do sekcji "Podgląd" (ponownie - może być konieczne zresetowanie danych wejściowych poprzez ponowne wybranie źródła)."

"By naprawić tę sytuację, musimy uzupełnić klasę "3" o zawartość katalogu "3" z Materiałów, następnie ponownie wytrenować model i ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd"."

[student_994_qnv]

dlaczego kategoryzując samochód model nazwał go psem a nie kotem?

[bot_external]

Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.

[student_994_qnv]

no dobrze, ale dlaczego wybrał psa a nie kota?

[bot_external]

Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.

Gdyby w danych była dodatkowa klasa z obrazami samochodów, model poradziłby sobie z tym zadaniem.

[student_994_qnv]

czy wiesz w jakiej części kursu jestem?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Zgodnie z historią rozmowy, w momencie, gdy pytasz o swoją aktualną pozycję w kursie, ostatnie pytanie kursanta dotyczyło pliku "test_3.jpg" i modelu, który nie mógł rozpoznać kota. W poprzednich odpowiedziach, asystent mówił o uzupełnianiu klas i ponownym wytrenowywaniu modelu.

Zgodnie z treścią kursu, po każdym z czterech modułów merytorycznych kursu, kursant powinien rozwiązać krótki test podsumowujący dany moduł (za 5 punktów).

Zatem, jeśli w historii rozmowy nie ma żadnych wzmianek o rozwiązaniu testów podsumowujących, to kursant jest w trakcie rozwiązywania testu podsumowującego dany moduł.

[student_994_qnv]

jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?

[bot_external]

Oto odpowiedź na pytanie kursanta:

"W Uczeniu Maszynowym spotyka się także inne proporcje - zbiór testowy może niekiedy obejmować aż 20% wszystkich danych, albo tylko 10%, lub nawet jeszcze mniej przy bardzo dużych zbiorach danych."

[student_994_qnv]

15 przypadków z 25 ile to procent?

[bot_external]

Oto odpowiedź na pytanie kursanta:

"Jeżeli mamy 15 przypadków z 25, to jest to 60%."

[student_994_qnv]

czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Nie, w ćwiczeniach na tym kursie nie są błędy w odpowiedziach. W jednym z poprzednich ćwiczeń, kursant miał problem z rozpoznaniem kota, ale to było spowodowane brakiem danych w modelu, a nie błędem w samej odpowiedzi.

[student_994_qnv]

jeżeli rozpoznaję psy i koty, pozytywnym wynikiem jest pies, to rozpoznanie kota jako psa jest fałszywie pozytywne czy fałszywie negatywne?

[bot_external]

Oto odpowiedź na pytanie kursanta:

"Po drugie, jeśli rzeczywista klasyfikacja jest pozytywna, a przewidywana klasyfikacja jest negatywna (1,0), to nazywa się to wynikiem fałszywie negatywnym, ponieważ pozytywna próbka jest niepoprawnie identyfikowana przez klasyfikator jako negatywna."

W tym przypadku, rozpoznanie kota jako psa jest fałszywie pozytywne, ponieważ kota (pozytywna próbka) rozpoznano jako psa (negatywna klasyfikacja).