conversation_by_8rk

[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]