conversation_by_7u2
-
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
-
macierz pomyłek to
[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] -
Czym są metryki i do czego ich używamy?
-
Czym są metryki i do czego ich używamy?
[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] -
Czym jest dokładność modelu UM?
-
Czym jest dokładność modelu UM?
[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] -
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?
-
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?
[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]
-
Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda Fałsz
-
Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda Fałsz
[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] -
Precyzja to
-
Precyzja to
[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]