conversation_by_7u2
-
Czy zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie?
[eduexe-intent]other[/eduexe-intent]
Tak, zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie. Był to sposób na naprawienie problemu nierównej liczebności klas, gdzie klasa "3" początkowo miała zbyt mało przykładów. [eduexe-source]12:4[/eduexe-source][eduexe-source]14:5[/eduexe-source] -
Pozostał nam jeszcze do sprawdzenia plik "test_B1.jpg". Jak się okazuje, przedstawia on niechlujnie zapisaną cyfrę, którą nawet człowiekowi może być trudno rozpoznać. Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decyd
-
Pozostał nam jeszcze do sprawdzenia plik "test_B1.jpg". Jak się okazuje, przedstawia on niechlujnie zapisaną cyfrę, którą nawet człowiekowi może być trudno rozpoznać. Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decyd
[eduexe-intent]student_progress[/eduexe-intent]
Plik "test_B1.jpg" przedstawia przypadek graniczny między klasami. Jest to niechlujnie zapisana cyfra, którą trudno rozpoznać nawet człowiekowi, dlatego model ma problem z jednoznaczną klasyfikacją. Możesz dodać więcej podobnych przypadków granicznych do odpowiednich klas lub stworzyć klasę pośrednią, np. "Niejednoznaczną", dla trudnych przypadków. [eduexe-source]14:6[/eduexe-source] -
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda Fałsz
-
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda Fałsz
[eduexe-intent]other[/eduexe-intent]
Prawda. Zbiór testowy składa się z przykładów, na których model nie trenował, a służy do oceny, jak dobrze model radzi sobie z nowymi, nieznanymi danymi. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:5[/eduexe-source] -
Proporcje podziału danych na zbiór uczący i zbiór testowy
-
Proporcje podziału danych na zbiór uczący i zbiór testowy
[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie można ręcznie zmienić tej proporcji w GTM.Ogólnie w Uczeniu Maszynowym, zbiór uczący powinien być znacząco większy od testowego, zbiór testowy powinien być reprezentatywny dla całości danych i wystarczająco duży. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source]
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
[eduexe-intent]other[/eduexe-intent]
Cały zbiór testowy dla tego modelu będzie składał się łącznie z 90 przykładów.W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Oznacza to, że 15% wszystkich przykładów trafia do zbioru testowego.
Dla 3 klas po 200 przykładów każda, daje to łącznie 600 przykładów (3 * 200 = 600).
15% ze 600 przykładów to 90 przykładów (600 * 0.15 = 90). [eduexe-source]15:9[/eduexe-source] -
Wielkość wsadu to
-
Wielkość wsadu to
[eduexe-intent]other[/eduexe-intent]
Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. Jest to parametr, który można regulować, np. w Google Teachable Machine. [eduexe-source]16:5[/eduexe-source] -
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
-
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
[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] -
współczynnik uczenia to
-
współczynnik uczenia to
[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] -
strata to
-
strata to
[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] -
Przeuczenie - inaczej: nadmierne dopasowanie to
-
Przeuczenie - inaczej: nadmierne dopasowanie to
[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] -
macierz pomyłek to