conversation_by_r25

[bot_eduexe]

[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].

[student_1137_r25]

Czy jest jakiś sposób by nauczyć modelu mówić "nie wiem" wykluczyć przypadki danych z poza klas ?

[bot_eduexe]

[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]

[student_1137_r25]

Czy jest jakiś sposób by nauczyć modelu mówić "nie wiem" wykluczyć przypadki danych z poza klas ?

[bot_eduexe]

[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]

[student_1137_r25]

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 ?

[bot_eduexe]

[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].

[student_1137_r25]

Czy jest jakiś sposób by określić prawdiłową wielkość zbioru uczącego dla problemu ?

[bot_eduexe]

[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.

[student_1137_r25]

Czy w google teachable da się zmienić domyślną wielkość testy zbioru testowego ?

[bot_eduexe]

[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]

[student_1137_r25]

Czym są epoki

[bot_eduexe]

[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]

[student_1137_r25]

na co właściwie wpływa czynnik wsadu ?

[bot_eduexe]

[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]

[student_1137_r25]

czy są jeszcze jakieś wykresy które sugerują inne zjawiska niż przeuczenie niedouczenie lub dobre dopasowanie ? co gdyby linia byłą prostą poziomą ?

[bot_eduexe]

[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.

[student_1137_r25]

Czyli metryka to tylko zależności między TP FP i FN TN

[bot_eduexe]

[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]

[student_1137_r25]

Czy są jakieś inne metody na wyliczenia dokładności ?