conversation_by_r25

[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 ?

[bot_eduexe]

[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]

[student_1137_r25]

Nie do końca rozumiem intuicji czułości, po co ona nam jest ?

[bot_eduexe]

[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]