conversation_by_8rk

[student_1136_8rk]

co to zbior uczacy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to dane, na których model Uczenia Maszynowego uczy się, znając z góry prawidłowe odpowiedzi (klasyfikację lub etykiety). Zawiera on przykłady, które pozwalają modelowi identyfikować wzorce i zależności, aby mógł dopasować swoje parametry. [15:3], [20:1]

[student_1136_8rk]

co to zbior testowy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) to zbiór danych, których model Uczenia Maszynowego nie widział podczas procesu uczenia. Służy do weryfikacji skuteczności modelu i oceny jego zdolności do generalizacji na nowe, nieznane przypadki. W Google Teachable Machine dane są automatycznie dzielone, zazwyczaj 15% z nich trafia do zbioru testowego. [15:3], [15:4], [20:1]

[student_1136_8rk]

czym sa metryki

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka to funkcja, która przyjmuje model i zwraca wartość liczbową, pozwalającą porównać go z innymi modelami. Zasadniczo, im wyższa wartość metryki, tym wyższa ocena modelu. [21:1]

[student_1136_8rk]

co daje dokładnosc?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka oceniająca jakość modelu Uczenia Maszynowego. Daje ona informację o tym, jaki procent wszystkich przykładów testowych został poprawnie zaklasyfikowany przez model. Im wyższa wartość (od 0 do 1), tym lepiej. Warto jednak pamiętać, że w przypadku niezbalansowanych danych może być myląca. [22:1], [22:6]

[student_1136_8rk]

co daje precyzja?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (Precision) pokazuje, jaki odsetek wszystkich przypadków, które model zaklasyfikował jako pozytywne, jest faktycznie poprawny. Jest to kluczowa metryka, gdy ważne jest minimalizowanie fałszywych pozytywów, czyli sytuacji, w których model błędnie zaklasyfikował przypadek negatywny jako pozytywny. Na przykład, jeśli diagnoza prowadzi do drogiego leczenia, chcemy mieć pewność, że tylko rzeczywiście chorzy otrzymają pozytywną diagnozę. [23:1], [26:4]