conversation_by_5hb

[student_1136_5hb]

czym jest nierówna liczebność klas

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nierówna liczebność klas to problem, który występuje, gdy liczba przykładów dla poszczególnych klas w zbiorze uczącym jest znacząco różna. Może to prowadzić do tego, że model zignoruje klasy z mniejszą liczbą reprezentantów, co negatywnie wpłynie na jego działanie. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:3[/eduexe-source]

[student_1136_5hb]

dlaczego ważne jest to, by wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Ważne jest, aby klasy w zbiorze uczącym miały podobną liczbę reprezentantów, ponieważ w przeciwnym razie model może zignorować klasy z mniejszą liczbą przykładów. To prowadzi do tego, że model może błędnie klasyfikować obiekty z tych mniej licznych klas lub nie być pewnym swoich ocen, co negatywnie wpływa na jego działanie. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1136_5hb]

czym jest przypadek graniczny między klasami

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przypadek graniczny między klasami to dane, które wykazują cechy należące do więcej niż jednej klasy, przez co są trudne do jednoznacznego sklasyfikowania. Model może mieć problem z podjęciem decyzji lub błędnie je ocenić, np. kot Lykoi, który jest podobny do psa, lub nieczytelna cyfra, którą trudno rozpoznać. [eduexe-source]14:6[/eduexe-source][eduexe-source]11:2[/eduexe-source]

[student_1136_5hb]

jak naprawić model uczenia maszynowego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model uczenia maszynowego, szczególnie w przypadku problemów z danymi, można zastosować następujące metody:

1. Dodawanie brakujących klas: Jeśli model nie rozpoznaje obiektów, dla których nie zdefiniowano klasy, należy dodać nową klasę i załadować do niej odpowiednie dane. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
2. Uzupełnianie danych w klasach o nierównej liczebności: W przypadku nierównej liczebności klas, należy dodać więcej przykładów do mniej licznych klas, aby model nie ignorował ich podczas treningu. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
3. Radzenie sobie z przypadkami granicznymi: Można dodać więcej podobnych przypadków granicznych do odpowiednich klas (jeśli są jednoznaczne) lub stworzyć dodatkową, pośrednią klasę dla przypadków niejednoznacznych, również uzupełniając ją o przykłady. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
   Po wprowadzeniu zmian w danych zawsze należy ponownie wytrenować model.

[student_1136_5hb]

czym jest współczynnik uczenia się

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się, to parametr określający wielkość kroku, o jaki model ma korygować otrzymany wynik w kierunku wyniku oczekiwanego podczas treningu. Za mała wartość może znacznie wydłużyć trening, a zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1136_5hb]

czym jest zbiór testowy i zbiór uczący

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to zbiór danych, na których model się uczy, znając z góry prawidłową klasyfikację. Natomiast zbiór testowy (ang. test set) to zbiór przykładów, których model nie widział podczas uczenia się. Służy on do sprawdzenia, jak dobrze model radzi sobie z klasyfikacją nowych danych i na ile jest skuteczny. [eduexe-source]15:3[/eduexe-source]

[student_1136_5hb]

dlaczego zbiór testowy musi być znacząco większy niż zbiór uczący

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zgodnie z informacjami zawartymi w kursie, to zbiór uczący powinien być znacząco większy od zbioru testowego. Dzieje się tak, ponieważ model potrzebuje dużego zbioru danych do trenowania, aby mógł skutecznie klasyfikować. Zbiór testowy, choć mniejszy, również musi być wystarczająco duży, aby można było wiarygodnie ocenić skuteczność modelu. [eduexe-source]15:7[/eduexe-source]

[student_1136_5hb]

czym jest współczynnik uczenia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się, to parametr określający wielkość kroku, o jaki model ma korygować otrzymany wynik w kierunku wyniku oczekiwanego podczas treningu. Zbyt mała wartość tego współczynnika może znacznie wydłużyć trening, natomiast zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1136_5hb]

co się stanie jak zwiększymy współczynnik uczenia gwałtwonie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jeśli gwałtownie zwiększymy współczynnik uczenia się (learning rate), istnieje ryzyko, że model będzie wykonywał zbyt duże kroki podczas korygowania swoich wyników. Może to sprawić, że model "przeskoczy" optymalne rozwiązanie, zamiast do niego dążyć, co negatywnie wpłynie na jego zdolność uczenia się i osiągnięcie oczekiwanych rezultatów. [eduexe-source]16:7[/eduexe-source]

[student_1136_5hb]

czym jest przeuczenie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie (ang. overfitting) to zjawisko, w którym model zbyt mocno dopasowuje się do danych treningowych. W efekcie nie jest w stanie poprawnie radzić sobie z nowymi danymi testowymi, których nie widział w trakcie uczenia się. [eduexe-source]17:4[/eduexe-source]