conversation_by_37p

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem regresji w uczeniu maszynowym to po prostu przewidywanie konkretnej liczby. Wyobraź sobie, że model ma zgadnąć, ile będzie kosztować dom. Dostaje informacje, np. o jego wielkości czy lokalizacji, i na ich podstawie podaje konkretną wartość liczbową (cenę). [eduexe-source]7:8[/eduexe-source]

[student_1137_37p]

Aha! A co to problem klasyfikacji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem klasyfikacji w uczeniu maszynowym polega na przypisywaniu przez model danego obiektu do jednej z określonych klas, na przykład odróżnianiu zdjęć psów od zdjęć kotów. [eduexe-source]7:8[/eduexe-source]

[student_1137_37p]

Super.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że to jasne! Problem klasyfikacji w uczeniu maszynowym ma szerokie zastosowanie. Oprócz rozpoznawania obrazów, jest wykorzystywany np. w filtrowaniu spamu (e-maile są klasyfikowane jako spam lub nie-spam) czy kategoryzacji artykułów prasowych.

[student_1137_37p]

Czym jest współczynniuk uczenia sie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się, to parametr, który określa wielkość kroku, o jaki model koryguje swój wynik w kierunku oczekiwanego rozwiązania podczas treningu. Zbyt mała wartość wydłuża proces uczenia się, a zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1137_37p]

Czym był bias?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_37p]

Czym był bias jako pojęcie z UM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_37p]

15 - TP, 10 - FP, 20 - TN, 5 -FP

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Widzę podane wartości, które przypominają elementy macierzy pomyłek. Czy ten ostatni "5 -FP" to pomyłka i powinno być "5 - FN" (False Negative)?

Zakładając, że wartości to:

• True Positives (TP): 15 (prawdziwie pozytywne)
• False Positives (FP): 10 (fałszywie pozytywne)
• True Negatives (TN): 20 (prawdziwie negatywne)
• False Negatives (FN): 5 (fałszywie negatywne)

Te wartości służą do oceny jakości modelu klasyfikacji, pozwalając obliczyć takie metryki jak dokładność, precyzja czy czułość. [eduexe-source]21:2[/eduexe-source]
Jeśli chcesz, mogę obliczyć te metryki dla podanych wartości.

[student_1137_37p]

15 - TP, 10 - FP, 20 - TN, 5 -FP. Jak policzyć prezycje

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Precyzję oblicza się dzieląc liczbę prawdziwie pozytywnych przypadków (TP) przez sumę prawdziwie pozytywnych (TP) i fałszywie pozytywnych (FP) przypadków.

Dla podanych wartości, gdzie TP=15 i FP=10:
Precyzja = 15 / (15 + 10) = 15 / 25 = 0.6, czyli 60%. [eduexe-source]23:1[/eduexe-source][eduexe-source]23:2[/eduexe-source]