<![CDATA[conversation_by_r25]]>Topic created

]]>https://forum.eduexe.com/topic/299/conversation_by_r25RSS for NodeSat, 06 Jun 2026 02:13:30 GMTFri, 05 Jun 2026 10:17:27 GMT60<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:42:28 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Czułość (recall) mierzy, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Jest ona kluczowa, gdy zależy nam na zminimalizowaniu liczby fałszywie negatywnych przypadków, czyli sytuacji, w której model nie wykrywa pozytywnego przypadku, który faktycznie występuje. Przykładem może być diagnostyka choroby, gdzie chcemy wykryć jak najwięcej chorych, nawet jeśli błędnie zaklasyfikujemy kilka zdrowych osób. [eduexe-source]24:1[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/5369https://forum.eduexe.com/post/5369Fri, 05 Jun 2026 13:42:28 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:42:21 GMT]]>Nie do końca rozumiem intuicji czułości, po co ona nam jest ?

]]>https://forum.eduexe.com/post/5368https://forum.eduexe.com/post/5368Fri, 05 Jun 2026 13:42:21 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:36:41 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (accuracy) jest definiowana jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Oznacza to, że ma jedną konkretną metodę wyliczenia: sumę przypadków prawdziwie pozytywnych (TP) i prawdziwie negatywnych (TN) podzieloną przez sumę wszystkich przypadków (TP + FP + FN + TN).

W kursie nie ma innych metod na wyliczenie samej dokładności. Istnieją jednak inne metryki, takie jak precyzja, czułość i F-score, które służą do oceny jakości modelu i są używane w sytuacjach, gdy dokładność sama w sobie może być niewystarczająca lub myląca, np. przy nierównej liczebności klas. [eduexe-source]22:1[/eduexe-source][eduexe-source]22:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5367https://forum.eduexe.com/post/5367Fri, 05 Jun 2026 13:36:41 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:36:33 GMT]]>Czy są jakieś inne metody na wyliczenia dokładności ?

]]>https://forum.eduexe.com/post/5366https://forum.eduexe.com/post/5366Fri, 05 Jun 2026 13:36:33 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:34:10 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Metryki to miary oceny jakości wytrenowanych modeli. Chociaż są one obliczane na podstawie elementów macierzy pomyłek (TP, FP, FN, TN), nie są to tylko zależności między nimi. Macierz pomyłek jest podstawą do ich wyliczenia. Przykładowe metryki to dokładność, precyzja, czułość i F-score, które są funkcjami tych wartości.
[eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source][eduexe-source]29:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5363https://forum.eduexe.com/post/5363Fri, 05 Jun 2026 13:34:10 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 13:34:01 GMT]]>Czyli metryka to tylko zależności między TP FP i FN TN

]]>https://forum.eduexe.com/post/5361https://forum.eduexe.com/post/5361Fri, 05 Jun 2026 13:34:01 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:36:53 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wykresy funkcji straty oraz dokładności są głównymi, które w kursie sugerują zjawiska takie jak przeuczenie, niedouczenie lub dobre dopasowanie modelu. [eduexe-source]17:2[/eduexe-source][eduexe-source]17:4[/eduexe-source][eduexe-source]17:6[/eduexe-source][eduexe-source]22:3[/eduexe-source]

Gdyby linia na takim wykresie była prostą poziomą, mogłoby to sugerować kilka zjawisk:

  1. Brak uczenia się/Zatrzymanie uczenia: Jeśli linia jest płaska i znajduje się na wysokim poziomie straty (lub niskim poziomie dokładności), oznacza to, że model nie uczy się efektywnie. Może to być spowodowane zbyt niskim współczynnikiem uczenia, który sprawia, że model wykonuje zbyt małe kroki w kierunku optymalizacji. [eduexe-source]16:7[/eduexe-source]
  2. Konwergencja modelu: Jeśli linia jest płaska i znajduje się na niskim poziomie straty (lub wysokim poziomie dokładności), oznacza to, że model osiągnął stabilny stan i prawdopodobnie nauczył się już wszystkiego, co mógł, czyli osiągnął dobre dopasowanie.
]]>https://forum.eduexe.com/post/5355https://forum.eduexe.com/post/5355Fri, 05 Jun 2026 12:36:53 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:36:30 GMT]]>czy są jeszcze jakieś wykresy które sugerują inne zjawiska niż przeuczenie niedouczenie lub dobre dopasowanie ? co gdyby linia byłą prostą poziomą ?

]]>https://forum.eduexe.com/post/5354https://forum.eduexe.com/post/5354Fri, 05 Jun 2026 12:36:30 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:22:58 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) to liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji. Większy wsad wymaga więcej zasobów obliczeniowych na epokę, ale może skrócić liczbę potrzebnych epok do osiągnięcia zadowalających efektów uczenia się. Mniejszy wsad oznacza mniejsze obciążenie pod kątem zasobów (zwłaszcza pamięci), jednak wymaga więcej epok, aby model nauczył się wystarczająco dobrze. [eduexe-source]16:5[/eduexe-source]

]]>https://forum.eduexe.com/post/5353https://forum.eduexe.com/post/5353Fri, 05 Jun 2026 12:22:58 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:22:50 GMT]]>na co właściwie wpływa czynnik wsadu ?

]]>https://forum.eduexe.com/post/5352https://forum.eduexe.com/post/5352Fri, 05 Jun 2026 12:22:50 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:16:06 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie trenowania przez wszystkie przykłady ze zbioru uczącego (treningowego). Zazwyczaj jedna epoka to za mało, aby model nauczył się wystarczająco dobrze. [eduexe-source]16:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5351https://forum.eduexe.com/post/5351Fri, 05 Jun 2026 12:16:06 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:16:01 GMT]]>Czym są epoki

]]>https://forum.eduexe.com/post/5349https://forum.eduexe.com/post/5349Fri, 05 Jun 2026 12:16:01 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:04:34 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie da się ręcznie zmienić tej proporcji. [eduexe-source]15:7[/eduexe-source]

]]>https://forum.eduexe.com/post/5348https://forum.eduexe.com/post/5348Fri, 05 Jun 2026 12:04:34 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:04:25 GMT]]>Czy w google teachable da się zmienić domyślną wielkość testy zbioru testowego ?

]]>https://forum.eduexe.com/post/5347https://forum.eduexe.com/post/5347Fri, 05 Jun 2026 12:04:25 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:00:24 GMT]]>[eduexe-intent]other[/eduexe-intent]
Nie ma jednej "prawidłowej" wielkości zbioru uczącego, ponieważ zależy ona od wielu czynników, takich jak złożoność problemu, modelu, ilość szumu w danych oraz oczekiwana dokładność. Ogólnie rzecz biorąc, im więcej danych, tym lepiej, zwłaszcza dla złożonych modeli. Kurs podkreśla, że zbiór uczący powinien być znacząco większy od testowego [eduexe-source]15:7[/eduexe-source] i że zbyt mała liczba przykładów dla klasy może prowadzić do jej ignorowania przez model [eduexe-source]14:5[/eduexe-source]. Często stosuje się krzywe uczenia, aby ocenić, czy dodawanie kolejnych danych nadal poprawia wydajność modelu.

]]>https://forum.eduexe.com/post/5346https://forum.eduexe.com/post/5346Fri, 05 Jun 2026 12:00:24 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 12:00:10 GMT]]>Czy jest jakiś sposób by określić prawdiłową wielkość zbioru uczącego dla problemu ?

]]>https://forum.eduexe.com/post/5345https://forum.eduexe.com/post/5345Fri, 05 Jun 2026 12:00:10 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:36:40 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W dostarczonym kursie nie ma informacji na temat konkretnych technik generowania dodatkowych przykładów z istniejących, takich jak obracanie czy przesuwanie, w przypadku niewystarczającej liczby przykładów dla danej klasy.

Kurs sugeruje uzupełnienie klasy o więcej rzeczywistych przykładów [eduexe-source]14:5[/eduexe-source] lub znalezienie podobnych przypadków i dołączenie ich do odpowiedniej klasy. Podkreśla, że musi się ich zebrać "więcej niż kilka, by nasze działanie mogło odnieść skutek" [eduexe-source]12:3[/eduexe-source].

]]>https://forum.eduexe.com/post/5344https://forum.eduexe.com/post/5344Fri, 05 Jun 2026 11:36:40 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:36:28 GMT]]>czy da się coś zrobić gdy nie ma się więcej przykładow dla klasy z niewystarczającą liczbą przykładów, czy lekkie obracani i przesuwanie istniejących przykładów pomoże w nauce ?

]]>https://forum.eduexe.com/post/5343https://forum.eduexe.com/post/5343Fri, 05 Jun 2026 11:36:28 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:21:23 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Aby model mógł "mówić nie wiem" lub wykluczać dane spoza klas, możesz zastosować następujące metody:

  1. Dla danych spoza zdefiniowanych klas: Dodaj nową klasę dla przypadków, które nie pasują do istniejących kategorii (np. "nieznane" lub "inne"). W ten sposób model nauczy się je tam przypisywać, zamiast błędnie klasyfikować do istniejących klas. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]
  2. Dla przypadków granicznych: Rozważ utworzenie dodatkowej klasy pośredniej (np. "Niejednoznaczne") i umieszczenie w niej trudnych do sklasyfikowania przykładów. Możesz też wzbogacić dane treningowe o więcej przykładów tych przypadków, dodając je do prawidłowych klas. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
]]>https://forum.eduexe.com/post/5342https://forum.eduexe.com/post/5342Fri, 05 Jun 2026 11:21:23 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:21:10 GMT]]>Czy jest jakiś sposób by nauczyć modelu mówić "nie wiem" wykluczyć przypadki danych z poza klas ?

]]>https://forum.eduexe.com/post/5341https://forum.eduexe.com/post/5341Fri, 05 Jun 2026 11:21:10 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:20:30 GMT]]>[eduexe-intent]other[/eduexe-intent]
Aby model mógł "mówić nie wiem" lub wykluczać dane spoza klas, możesz:

  1. Dodać nową klasę dla przypadków, które nie pasują do istniejących kategorii (np. "nieznane"). W ten sposób model nauczy się je tam przypisywać zamiast błędnie klasyfikować. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]
  2. Dla przypadków granicznych, rozważ utworzenie dodatkowej klasy pośredniej (np. "Niejednoznaczne") lub wzbogacenie danych treningowych o więcej przykładów tych przypadków. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:6[/eduexe-source]
]]>https://forum.eduexe.com/post/5340https://forum.eduexe.com/post/5340Fri, 05 Jun 2026 11:20:30 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 11:20:14 GMT]]>Czy jest jakiś sposób by nauczyć modelu mówić "nie wiem" wykluczyć przypadki danych z poza klas ?

]]>https://forum.eduexe.com/post/5339https://forum.eduexe.com/post/5339Fri, 05 Jun 2026 11:20:14 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 10:38:30 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Problemy przy uczeniu klasyfikatorów mogą obejmować:

  • Przypadki graniczne między klasami, które mogą mylić model [eduexe-source]11:2[/eduexe-source].
  • Nierówna liczebność klas, prowadząca do ignorowania mniej licznych klas [eduexe-source]11:4[/eduexe-source].
  • Dane spoza zdefiniowanych klas, które model błędnie przypisze do znanych kategorii [eduexe-source]11:5[/eduexe-source].
  • Przeuczenie, gdy model za bardzo dopasowuje się do danych treningowych [eduexe-source]17:4[/eduexe-source].
  • Niedouczenie, gdy model jest zbyt prosty lub za mało wytrenowany [eduexe-source]17:6[/eduexe-source].
]]>https://forum.eduexe.com/post/5338https://forum.eduexe.com/post/5338Fri, 05 Jun 2026 10:38:30 GMT<![CDATA[Reply to conversation_by_r25 on Fri, 05 Jun 2026 10:38:19 GMT]]>jakie mogą być problemy przy uczeniu klasyfikatorów ?

]]>https://forum.eduexe.com/post/5337https://forum.eduexe.com/post/5337Fri, 05 Jun 2026 10:38:19 GMT