conversation_by_r21

[student_1136_r21]

Jakie istnieją problemy danych i jak ich naprawiać?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie wyróżnia się trzy główne problemy z danymi, które mogą wpływać na działanie modelu uczenia maszynowego:

1. Przypadki graniczne między klasami: Gdy obiekt jest podobny do więcej niż jednej klasy (np. kot Lykoi, który wygląda jak pies). Aby to naprawić, można dodać więcej podobnych przypadków do odpowiedniej klasy lub stworzyć dodatkową, pośrednią klasę. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source][eduexe-source]12:3[/eduexe-source]
2. Nierówna liczebność klas: Kiedy jedna klasa ma znacznie mniej przykładów niż inne, model może ją ignorować. Rozwiązaniem jest uzupełnienie klasy o mniejszej liczebności o dodatkowe przykłady. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:1[/eduexe-source]
3. Dane spoza klas: Gdy model jest proszony o klasyfikację danych, których typu nigdy nie widział podczas treningu. Naprawa polega na dodaniu nowej klasy wraz z odpowiednią liczbą przykładów dla tego typu danych. [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source]

[student_1136_r21]

Czy dane ze zbioru testowego mogą być we zbiorze uczącym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, dane ze zbioru testowego nie mogą być w zbiorze uczącym. Zbiór testowy składa się z przykładów, których model nie wykorzystał w procesie uczenia się. Jego celem jest sprawdzenie, jak dobrze model radzi sobie z nowymi, nieznanymi danymi. [eduexe-source]15:3[/eduexe-source][eduexe-source]20:1[/eduexe-source]

[student_1136_r21]

Jakie problemy może spowodować duży współczynnik uczenia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbyt duży współczynnik uczenia (learning rate) może spowodować, że model będzie "przeskakiwał" przez optymalne rozwiązanie, co oznacza, że może nie osiągnąć oczekiwanej dokładności lub zbieżności. Zamiast zbliżać się do celu, może oddalać się od niego w kolejnych krokach uczenia. [eduexe-source]16:7[/eduexe-source]

[student_1136_r21]

Jakie problemy może spowodować duża wielkość wsadu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Duża wielkość wsadu (batch size) może spowodować, że do ukończenia pojedynczej epoki potrzebne będzie więcej zasobów obliczeniowych. [eduexe-source]16:5[/eduexe-source]

[student_1136_r21]

Tylko to?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, oprócz większego zapotrzebowania na zasoby obliczeniowe [eduexe-source]16:5[/eduexe-source], duża wielkość wsadu (batch size) może również negatywnie wpływać na zdolność modelu do generalizacji, co oznacza, że może gorzej radzić sobie z nowymi, nieznanymi danymi.

[student_1136_r21]

Czy zawsze F1 jest najlepszym wyborem?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, F-score nie zawsze jest najlepszym wyborem. Jest to uniwersalna metryka, stanowiąca kompromis między precyzją a czułością, ale nie jest doskonała. Bazując na tych dwóch metrykach, bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przypadki prawdziwie negatywne. W zależności od celu modelu, np. gdy priorytetem jest minimalizacja fałszywie pozytywnych (wtedy lepsza jest precyzja) lub fałszywie negatywnych (wtedy lepsza jest czułość) wyników, inne metryki mogą być bardziej odpowiednie.
[eduexe-source]25:1[/eduexe-source][eduexe-source]25:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[student_1136_r21]

Czy potrzebna jest dokładność, jeżeli już policzyliśmy precyzję i czułość?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, dokładność (accuracy) wciąż może być potrzebna, nawet jeśli już policzyłeś precyzję i czułość. Choć precyzja i czułość są bardziej szczegółowe i mogą być kluczowe w zależności od celu modelu (np. minimalizacja fałszywie pozytywnych lub fałszywie negatywnych), dokładność jest metryką uniwersalną. Może służyć jako ogólna miara skuteczności modelu i, co ważne, jej porównanie z wartościami precyzji i czułości może wskazać na problemy z danymi lub modelem, zwłaszcza gdy występują duże różnice w liczebności klas. [eduexe-source]26:4[/eduexe-source][eduexe-source]22:6[/eduexe-source]