conversation_by_u5k

[student_1137_u5k]

Po dodaniu zdjęcia testowego otrzymałam Wynik: Kot 100% - wyjaśnij co to oznacza oraz na podstawie jakiej metryki został określony ten wynik w GTM.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Wynik "Kot 100%" oznacza, że model jest w 100% przekonany, iż na dodanym zdjęciu testowym znajduje się kot. Ten procent to wskaźnik pewności (confidence score) dla pojedynczej klasyfikacji.

Wskaźnik pewności nie jest metryką ewaluacyjną modelu, taką jak dokładność, precyzja czy czułość. Te metryki służą do oceny ogólnej skuteczności modelu na całym zbiorze danych testowych. Google Teachable Machine udostępnia "dokładność z podziałem na klasy" jako metrykę oceny modelu, ale dotyczy ona jego ogólnej skuteczności, a nie pewności co do pojedynczego wyniku. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:7[/eduexe-source][eduexe-source]22:3[/eduexe-source]

[student_1137_u5k]

Chcę naprawić model w przypadkach granicznych - jakie są sposoby aby to zrobić?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model w przypadkach granicznych, możesz zastosować jedną z dwóch metod:

1. Znaleźć więcej podobnych przypadków granicznych i dodać je do odpowiedniej klasy.
2. Utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne") i umieścić w niej te trudne przypadki, pamiętając, że i tu potrzebujesz więcej przykładów.
   [eduexe-source]12:3[/eduexe-source]

[student_1137_u5k]

W jaki sposób można byłoby zautomatyzować tworzenie takiej nowej klasy?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Automatyzacja tworzenia nowej klasy w przypadkach granicznych wykracza poza standardowe funkcjonalności Google Teachable Machine, które opierają się na ręcznym dodawaniu klas i danych. W bardziej zaawansowanych systemach uczenia maszynowego można to osiągnąć poprzez:

1. Aktywne uczenie (Active Learning): Model identyfikuje przypadki, co do których jest niepewny, a następnie te przypadki są poddawane ręcznej weryfikacji i potencjalnie etykietowane jako nowa klasa.
2. Uczenie nienadzorowane (Clustering): Algorytmy klastrowania mogą automatycznie grupować podobne, nieoznaczone dane, co może wskazywać na potrzebę utworzenia nowej klasy dla tych grup.
3. Wykrywanie anomalii (Anomaly Detection): Systemy mogą automatycznie identyfikować dane, które znacząco odbiegają od istniejących klas, i sugerować utworzenie dla nich nowej klasy "anomalii" lub "nieznanych".

[student_1137_u5k]

Wyjaśnij parametry z zakładki Zaawansowane przy treningu modelu w GTM.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W zakładce "Zaawansowane" przy treningu modelu w Google Teachable Machine znajdziesz trzy główne parametry:

1. Epoki (Epochs): Pojedyncza epoka to przejście modelu przez wszystkie przykłady ze zbioru uczącego. Zazwyczaj potrzeba wielu epok, aby model dobrze się nauczył. [eduexe-source]16:3[/eduexe-source]
2. Wielkość wsadu (Batch size): Określa liczbę przykładów, którą model otrzymuje jednocześnie do trenowania w pojedynczej iteracji. Większy wsad wymaga więcej zasobów, ale może skrócić liczbę potrzebnych epok. [eduexe-source]16:5[/eduexe-source]
3. Współczynnik uczenia (Learning rate): Definiuje wielkość kroku, o jaki model koryguje wynik w kierunku oczekiwanego. Zbyt mały współczynnik wydłuża trening, zbyt duży może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1137_u5k]

W jaki sposób dobierać te parametry dla konkretnych danych - jakie są dobre praktyki w tym zakresie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dobór parametrów treningu zależy od konkretnych danych i wymaga eksperymentowania:

• Epoki (Epochs): Wybierz wystarczającą liczbę epok, aby model dobrze się nauczył, ale nie za dużo, aby uniknąć przeuczenia, gdzie model zapamiętuje dane treningowe zamiast uczyć się ogólnych wzorców. [eduexe-source]16:3[/eduexe-source][eduexe-source]17:4[/eduexe-source]
• Wielkość wsadu (Batch size): Dostosuj do dostępnych zasobów obliczeniowych. Większy wsad może skrócić liczbę potrzebnych epok, ale wymaga więcej pamięci. Mniejszy wsad jest mniej zasobożerny, ale może wymagać więcej epok. [eduexe-source]16:5[/eduexe-source]
• Współczynnik uczenia (Learning rate): Należy go dobierać eksperymentalnie. Zbyt mały współczynnik znacznie wydłuży trening, natomiast zbyt duży może spowodować, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1137_u5k]

Załóżmy, że zamiast diagnozy czy pacjent jest chory interesuje nas diagnoza czy jest on zdrowy. Czy wtedy istnieje możliwość zamiany FP na FN?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, jeśli zmienimy definicję klasy pozytywnej z "chory" na "zdrowy", wówczas przypadki fałszywie pozytywne (FP) i fałszywie negatywne (FN) zamienią się rolami.

W oryginalnym scenariuszu, gdzie "chory" to klasa pozytywna:

• FP to osoba zdrowa, którą model błędnie zaklasyfikował jako chorą.
• FN to osoba chora, którą model błędnie zaklasyfikował jako zdrową.

Jeśli "zdrowy" stanie się klasą pozytywną, a "chory" negatywną:

• Nowe FP (model zaklasyfikował jako zdrową, a faktycznie jest chora) odpowiada oryginalnym FN.
• Nowe FN (model zaklasyfikował jako chorą, a faktycznie jest zdrowa) odpowiada oryginalnym FP.
  [eduexe-source]21:2[/eduexe-source]

[student_1137_u5k]

Czy oprócz poznanych metryk istnieją jeszcze jakieś inne, które często wykorzystuje się w uczeniu maszynownym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.