conversation_by_5hb
-
czym jest niedouczenie
-
czym jest niedouczenie
[eduexe-intent]student_progress[/eduexe-intent]
Niedouczenie (ang. underfitting), nazywane też niedopasowaniem modelu, występuje, gdy model jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie zdołał wykryć prawidłowości w danych, na podstawie których mógłby dokonywać trafnej klasyfikacji. [eduexe-source]17:6[/eduexe-source] -
czym są metryki
-
czym są metryki
[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmując model jako argument, zwraca wartość pozwalającą porównać go z innymi modelami. Dla metryk omawianych w kursie, im wyższa wartość, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source] -
czym jest przypadek true negative
-
czym jest przypadek true negative
[eduexe-intent]course_content[/eduexe-intent]
Przypadek prawdziwie negatywny (ang. true negative - TN) to sytuacja, w której osoba bez choroby X została sklasyfikowana przez model jako zdrowa osoba bez choroby. [eduexe-source]21:2[/eduexe-source] -
czym jest precyzja?
-
czym jest precyzja?
[eduexe-intent]course_content[/eduexe-intent]
Precyzja (ang. precision) to metryka służąca do 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] -
czym jest czułość
-
czym jest czułość
[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka obliczana na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przypadków w rzeczywistości. Mówi więc, jaki procent wszystkich pozytywnych przypadków wykrywa model. [eduexe-source]24:1[/eduexe-source] -
czym jest f-score
-
czym jest f-score
[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka służąca do oceny modeli Uczenia Maszynowego, którą oblicza się jako średnią harmoniczną precyzji (precision) i czułości (recall). Stanowi ona kompromis między tymi dwiema metrykami. [eduexe-source]25:2[/eduexe-source]