conversation_by_5gw

[student_1136_5gw]

Skąd wiadomo, czy dany problem jest zadaniem klasyfikacji czy predykcji? Możesz podać prosty przykład?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Różnica jest prosta:

• Klasyfikacja to przypisywanie obiektu do jednej z zdefiniowanych kategorii (klas). Odpowiedzią jest kategoria.
  • Przykład: Model decyduje, czy na zdjęciu jest pies, czy kot. [eduexe-source]7:8[/eduexe-source]
• Predykcja (lub regresja) to przewidywanie konkretnej wartości liczbowej. Odpowiedzią jest liczba.
  • Przykład: Model przewiduje cenę mieszkania na podstawie jego metrażu i lokalizacji. [eduexe-source]7:8[/eduexe-source]

W kursie skupiamy się głównie na zadaniach klasyfikacji. [eduexe-source]7:8[/eduexe-source]

[student_1136_5gw]

Możesz zadać takie pytanie: Dlaczego model uczenia maszynowego może błędnie rozpoznać obiekt, jeśli w danych uczących było za mało podobnych przykładów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model uczy się na podstawie dostarczonych danych. Jeśli w danych treningowych jest za mało podobnych przykładów danego obiektu, model nie ma wystarczająco "doświadczenia", by nauczyć się go prawidłowo rozpoznawać. Może je zignorować lub błędnie przypisać do innej, lepiej reprezentowanej klasy. [eduexe-source]11:3[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_5gw]

Czym różnią się „dane spoza klas” od „przypadku granicznego między klasami” i jak można naprawić każdy z tych problemów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
"Dane spoza klas" to obiekty, których model nie widział podczas treningu i dla których nie ma zdefiniowanej klasy. Model nie wie, że taka kategoria w ogóle istnieje i będzie próbował przypisać je do jednej z poznanych klas, często błędnie (np. samochód oceniony jako pies). Naprawić to można, dodając nową klasę dla tych danych i dostarczając odpowiednie przykłady. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

"Przypadek graniczny między klasami" to obiekt, który ma cechy wspólne dla kilku istniejących klas, co czyni go trudnym do jednoznacznej klasyfikacji (np. "kot-wilkołak" wyglądający jak pies). Aby naprawić ten problem, można:

1. Dodać więcej podobnych przypadków granicznych do prawidłowej klasy.
2. Stworzyć dodatkową, pośrednią klasę dla takich niejednoznacznych przypadków. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1136_5gw]

Czym różni się epoka od wsadu w trenowaniu modelu i dlaczego zbyt mała liczba epok może pogorszyć działanie modelu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to pojedyncze przejście modelu w czasie trenowania przez wszystkie przykłady ze zbioru uczącego. Wsad (ang. batch) to porcja przykładów, którą model przetwarza jednocześnie w pojedynczej iteracji.

Zbyt mała liczba epok może pogorszyć działanie modelu, ponieważ jest to zazwyczaj za mało, by model porządnie się nauczył, co prowadzi do niedouczenia (underfitting), czyli sytuacji, w której model nie wykrywa prawidłowości w danych. [eduexe-source]16:3[/eduexe-source][eduexe-source]16:5[/eduexe-source][eduexe-source]16:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]

[student_1136_5gw]

Dlaczego model z bardzo wysoką dokładnością może mimo wszystko być słaby, jeśli jedna klasa występuje dużo częściej niż druga?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wysoka dokładność modelu może być myląca, gdy jedna klasa występuje znacznie częściej niż druga (np. rzadka choroba). Model może wtedy nauczyć się zawsze klasyfikować obiekty do klasy dominującej, ignorując mniejszą klasę. W efekcie, choć ogólna dokładność będzie wysoka (bo większość przykładów należy do klasy dominującej i jest poprawnie klasyfikowana), model będzie bezużyteczny dla klasy rzadkiej, np. nie wykryje chorych. [eduexe-source]22:6[/eduexe-source]

[student_1136_5gw]

Czym różni się precyzja od czułości i dlaczego F-score łączy obie te metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne przez model. [eduexe-source]23:1[/eduexe-source] Czułość to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. [eduexe-source]24:1[/eduexe-source]

F-score łączy te metryki, ponieważ każda z nich ma swoje wady i zalety. Jest próbą stworzenia bardziej uniwersalnej metryki, która stanowi kompromis między precyzją a czułością, obliczaną jako ich średnia harmoniczna. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]25:3[/eduexe-source]