<![CDATA[conversation_by_7u2]]>Topic created

]]>https://forum.eduexe.com/topic/289/conversation_by_7u2RSS for NodeSat, 06 Jun 2026 02:13:19 GMTThu, 04 Jun 2026 10:56:32 GMT60<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:17:46 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka, która stanowi próbę stworzenia bardziej uniwersalnej miary oceny modelu, opartej jednocześnie na Precyzji (precision) i Czułości (recall). Oblicza się ją jako średnią harmoniczną tych dwóch metryk. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5155https://forum.eduexe.com/post/5155Thu, 04 Jun 2026 12:17:46 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:17:40 GMT]]>F-score to

]]>https://forum.eduexe.com/post/5154https://forum.eduexe.com/post/5154Thu, 04 Jun 2026 12:17:40 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:16:58 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka obliczana na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. Mówi nam, jaki procent wszystkich pozytywnych przypadków wykrywa model. [eduexe-source]24:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5151https://forum.eduexe.com/post/5151Thu, 04 Jun 2026 12:16:58 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:16:53 GMT]]>czułość to

]]>https://forum.eduexe.com/post/5150https://forum.eduexe.com/post/5150Thu, 04 Jun 2026 12:16:53 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:16:11 GMT]]>[eduexe-intent]other[/eduexe-intent]
Precyzja (ang. precision) to metryka oceny jakości modelu Uczenia Maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. [eduexe-source]23:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5149https://forum.eduexe.com/post/5149Thu, 04 Jun 2026 12:16:11 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:16:05 GMT]]>Precyzja to

]]>https://forum.eduexe.com/post/5148https://forum.eduexe.com/post/5148Thu, 04 Jun 2026 12:16:05 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:14:56 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Prawda. Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. W przypadku dużej rozbieżności między liczebnością klas, dokładność może być wysoka, mimo że model jest praktycznie bezużyteczny, ponieważ ignoruje klasę mniej liczną. [eduexe-source]22:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5147https://forum.eduexe.com/post/5147Thu, 04 Jun 2026 12:14:56 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:14:44 GMT]]>Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda Fałsz

]]>https://forum.eduexe.com/post/5146https://forum.eduexe.com/post/5146Thu, 04 Jun 2026 12:14:44 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:14:25 GMT]]>[eduexe-intent]other[/eduexe-intent]
Dokładność tego modelu wynosi 70%.

Oblicza się ją, sumując poprawnie zaklasyfikowane psy (20) i koty (15), co daje 35 poprawnych klasyfikacji. Następnie dzieli się tę sumę przez całkowitą liczbę przykładów testowych (20 psów + 5 psów + 15 kotów + 10 kotów = 50).

(35 / 50) * 100% = 70%. [eduexe-source]22:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5145https://forum.eduexe.com/post/5145Thu, 04 Jun 2026 12:14:25 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:14:18 GMT]]>Załóżmy, że mamy model, którego celem jest odróżnianie psów od kotów. Dla zbioru testowego, model ocenił 20 psów jako psy, 5 psów jako koty, 15 kotów jako koty i 10 kotów jako psy. Ile procent wynosi dokładność tego modelu?

]]>https://forum.eduexe.com/post/5144https://forum.eduexe.com/post/5144Thu, 04 Jun 2026 12:14:18 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:13:54 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (ang. Accuracy) to podstawowa i najczęściej wykorzystywana metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej – dokładność wyniesie 0, jeśli model będzie się zawsze mylił, a 1, jeśli wszystkie przypadki testowe zostaną zaklasyfikowane poprawnie. [eduexe-source]22:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5143https://forum.eduexe.com/post/5143Thu, 04 Jun 2026 12:13:54 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:13:49 GMT]]>Czym jest dokładność modelu UM?

]]>https://forum.eduexe.com/post/5142https://forum.eduexe.com/post/5142Thu, 04 Jun 2026 12:13:49 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:12:22 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Metryki w kontekście Uczenia Maszynowego to miary oceny wytrenowanych modeli. Używamy ich do porównywania modeli między sobą; im wyższa wartość metryki, tym wyższa ocena modelu. Podstawą do ich obliczania jest macierz pomyłek. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5141https://forum.eduexe.com/post/5141Thu, 04 Jun 2026 12:12:22 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 12:12:15 GMT]]>Czym są metryki i do czego ich używamy?

]]>https://forum.eduexe.com/post/5140https://forum.eduexe.com/post/5140Thu, 04 Jun 2026 12:12:15 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:57:46 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (ang. confusion matrix), nazywana też tablicą pomyłek, to macierz przygotowywana dla zbioru testowego. Pozwala odczytać, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. Jest kluczowa dla oceny i porównywania modeli oraz podstawą do obliczania metryk. [eduexe-source]20:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5137https://forum.eduexe.com/post/5137Thu, 04 Jun 2026 11:57:46 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:57:37 GMT]]>macierz pomyłek to

]]>https://forum.eduexe.com/post/5136https://forum.eduexe.com/post/5136Thu, 04 Jun 2026 11:57:37 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:56:48 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie, inaczej nadmierne dopasowanie (ang. overfitting), to zjawisko, w którym model za bardzo dostosowuje się do danych treningowych. W efekcie nie jest w stanie poprawnie radzić sobie z danymi testowymi, których "nie widział" w czasie uczenia się. [eduexe-source]17:4[/eduexe-source]

]]>https://forum.eduexe.com/post/5135https://forum.eduexe.com/post/5135Thu, 04 Jun 2026 11:56:48 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:56:44 GMT]]>Przeuczenie - inaczej: nadmierne dopasowanie to

]]>https://forum.eduexe.com/post/5134https://forum.eduexe.com/post/5134Thu, 04 Jun 2026 11:56:44 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:56:15 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Strata (ang. loss) to różnica pomiędzy prawidłową odpowiedzią a odpowiedzią zwróconą przez model. Celem procesu trenowania modelu jest minimalizowanie funkcji straty (ang. loss function), ponieważ idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. [eduexe-source]17:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5133https://forum.eduexe.com/post/5133Thu, 04 Jun 2026 11:56:15 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:56:06 GMT]]>strata to

]]>https://forum.eduexe.com/post/5132https://forum.eduexe.com/post/5132Thu, 04 Jun 2026 11:56:06 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:55:37 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się, to wielkość kroku, o jaki model ma w czasie treningu korygować otrzymany wynik w kierunku wyniku oczekiwanego. Zbyt mała wartość tego parametru wydłuża proces treningu, natomiast zbyt duża może sprawić, że model "przeskoczy" oczekiwane rozwiązanie, nie osiągając optymalnego wyniku. [eduexe-source]16:7[/eduexe-source]

]]>https://forum.eduexe.com/post/5131https://forum.eduexe.com/post/5131Thu, 04 Jun 2026 11:55:37 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:55:30 GMT]]>współczynnik uczenia to

]]>https://forum.eduexe.com/post/5129https://forum.eduexe.com/post/5129Thu, 04 Jun 2026 11:55:30 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:55:07 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Do ukończenia jednej epoki będzie potrzebne 22 wsady. Oblicza się to, dzieląc liczbę przykładów w zbiorze uczącym (340) przez wielkość wsadu (16) i zaokrąglając wynik w górę (340 / 16 = 21.25, co daje 22 wsady). [eduexe-source]16:5[/eduexe-source]

]]>https://forum.eduexe.com/post/5127https://forum.eduexe.com/post/5127Thu, 04 Jun 2026 11:55:07 GMT<![CDATA[Reply to conversation_by_7u2 on Thu, 04 Jun 2026 11:54:57 GMT]]>Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki

]]>https://forum.eduexe.com/post/5126https://forum.eduexe.com/post/5126Thu, 04 Jun 2026 11:54:57 GMT