conversation_by_lxl
-
Co zawiera model_BT.tm?
[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle. -
Czy w danym batch'u dane sa jakos grupowane czy wybierane (np po rowno z kazdej klasy)? Czy sa przesylane tak jak leci?
-
Czy w danym batch'u dane sa jakos grupowane czy wybierane (np po rowno z kazdej klasy)? Czy sa przesylane tak jak leci?
[eduexe-intent]other[/eduexe-intent]
W kursie jest mowa o wielkości wsadu (batch size) jako o liczbie przykładów, które model otrzymuje na raz do trenowania w pojedynczej iteracji [eduexe-source]16:5[/eduexe-source]. Nie ma natomiast szczegółowych informacji, czy dane w danym wsadu są grupowane lub wybierane po równo z każdej klasy.Ogólnie w uczeniu maszynowym, dane w zbiorze treningowym są zazwyczaj tasowane (mieszane) na początku każdej epoki, a następnie dzielone na wsady. Oznacza to, że pojedynczy wsad zawiera losową mieszankę przykładów z różnych klas, a nie jest specjalnie grupowany ani równo rozkładany pod względem klas, chyba że zastosowano specjalne techniki samplingu.
-
Jaką wartości przyjmuję funkcja straty i czy da się ją głębiej interpretować niż "im bliższa zeru tym lepsza"?
-
Jaką wartości przyjmuję funkcja straty i czy da się ją głębiej interpretować niż "im bliższa zeru tym lepsza"?
[eduexe-intent]course_content[/eduexe-intent]
Funkcja straty (loss function) przyjmuje wartość 0 dla idealnego modelu, który nigdy się nie myli. Jest to różnica między prawidłową odpowiedzią a odpowiedzią zwróconą przez model, a celem trenowania jest jej minimalizowanie.Interpretacja funkcji straty może być głębsza niż tylko dążenie do zera. Obserwacja, jak zmienia się wartość funkcji straty dla zbioru uczącego i zbioru testowego w kolejnych epokach, pozwala zdiagnozować:
- Przeuczenie (overfitting): Gdy strata dla zbioru uczącego maleje, ale dla zbioru testowego przestaje maleć lub zaczyna rosnąć.
- Niedouczenie (underfitting): Gdy model jest zbyt prosty, a wartości straty są wysokie zarówno dla zbioru uczącego, jak i testowego. [eduexe-source]17:2[/eduexe-source][eduexe-source]17:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]
-
Mialem na myslicz czy liczba ta reprezentuje coś konkretnego jak np procent poprawnych odpowiedzi, badz ilosc.
-
Mialem na myslicz czy liczba ta reprezentuje coś konkretnego jak np procent poprawnych odpowiedzi, badz ilosc.
[eduexe-intent]student_progress[/eduexe-intent]
Funkcja straty (loss function) nie reprezentuje bezpośrednio procentu poprawnych odpowiedzi ani liczby błędów. Jest to miara "różnicy" lub "błędu" między przewidywaną odpowiedzią modelu a prawidłową odpowiedzią, którą model stara się minimalizować podczas trenowania. [eduexe-source]17:2[/eduexe-source] Im niższa wartość funkcji straty, tym lepiej, ale jej wartość nie jest wprost interpretable jako procent poprawnych klasyfikacji.Procent poprawnych odpowiedzi (lub poprawnie zaklasyfikowanych przykładów) to metryka nazywana dokładnością (accuracy). [eduexe-source]22:1[/eduexe-source]
-
Podane statystyki są dla modelu z dwoma kategoriami. Jak to wyglada gdy mamy ich np 3?
-
Podane statystyki są dla modelu z dwoma kategoriami. Jak to wyglada gdy mamy ich np 3?
[eduexe-intent]course_content[/eduexe-intent]
Gdy model ma trzy kategorie, macierz pomyłek (confusion matrix), która jest podstawą do obliczania statystyk, byłaby odpowiednio większa – jej rozmiar wynosiłby 3x3. Każda komórka tej macierzy wskazywałaby, ile przykładów z danej rzeczywistej klasy zostało zaklasyfikowanych do każdej z przewidywanych klas. Metryki takie jak dokładność, precyzja czy czułość są wtedy często obliczane dla każdej klasy indywidualnie (np. „precyzja dla klasy A”, „czułość dla klasy B”). [eduexe-source]18:2[/eduexe-source][eduexe-source]22:3[/eduexe-source] -
A co z nazwami "False Negative" itp?
-
A co z nazwami "False Negative" itp?
[eduexe-intent]course_content[/eduexe-intent]
Nazwy "False Negative" (FN), "False Positive" (FP), "True Negative" (TN) i "True Positive" (TP) odnoszą się do czterech możliwych wyników klasyfikacji w macierzy pomyłek, zazwyczaj dla problemów binarnych (dwóch klas). Są to:- True Positive (TP): Przypadki faktycznie pozytywne, które model poprawnie sklasyfikował jako pozytywne (np. osoba chora poprawnie zdiagnozowana jako chora).
- True Negative (TN): Przypadki faktycznie negatywne, które model poprawnie sklasyfikował jako negatywne (np. osoba zdrowa poprawnie zdiagnozowana jako zdrowa).
- False Positive (FP): Przypadki faktycznie negatywne, które model błędnie sklasyfikował jako pozytywne (np. osoba zdrowa błędnie zdiagnozowana jako chora).
- False Negative (FN): Przypadki faktycznie pozytywne, które model błędnie sklasyfikował jako negatywne (np. osoba chora błędnie zdiagnozowana jako zdrowa).
Te cztery wartości są podstawą do obliczania wszystkich metryk oceny modelu. [eduexe-source]21:2[/eduexe-source]
-
A jak to wyglada gdy problem nie jest binarny? Jak wtedy nazywamy poszczegolne elementy w macierzy pomylek?
-
A jak to wyglada gdy problem nie jest binarny? Jak wtedy nazywamy poszczegolne elementy w macierzy pomylek?
[eduexe-intent]course_content[/eduexe-intent]
W problemach klasyfikacji niebinarnej (wieloklasowej), nazwy "True Positive", "False Negative" itp. nie są stosowane bezpośrednio do każdej komórki macierzy pomyłek w taki sam sposób, jak w przypadku klasyfikacji binarnej [eduexe-source]21:2[/eduexe-source].Zamiast tego, macierz pomyłek rozszerza się (np. do rozmiaru 3x3 dla trzech klas), a każda jej komórka wskazuje, ile przykładów z danej rzeczywistej klasy zostało zaklasyfikowanych do przewidywanej klasy [eduexe-source]18:2[/eduexe-source][eduexe-source]21:2[/eduexe-source]. Na przykład, komórka może reprezentować "liczbę przypadków z klasy A, które zostały zaklasyfikowane jako klasa B". Metryki takie jak precyzja czy czułość są często obliczane dla każdej klasy indywidualnie [eduexe-source]21:2[/eduexe-source].
-
Załóżmy, że mamy model, którego celem jest odróżnianie psów od kotów. Dla zbioru testowego, model ocenił 20 psów jako psy, 5 psów jako koty, 15 kotów jako koty i 10 kotów jako psy. Ile procent wynosi dokładność tego modelu?
-
Załóżmy, że mamy model, którego celem jest odróżnianie psów od kotów. Dla zbioru testowego, model ocenił 20 psów jako psy, 5 psów jako koty, 15 kotów jako koty i 10 kotów jako psy. Ile procent wynosi dokładność tego modelu?
[eduexe-intent]other[/eduexe-intent]
Aby obliczyć dokładność (accuracy) modelu, sumujemy liczbę poprawnie zaklasyfikowanych przypadków i dzielimy ją przez całkowitą liczbę wszystkich przypadków w zbiorze testowym.W Twoim przypadku:
-
Psy poprawnie sklasyfikowane jako psy: 20
-
Koty poprawnie sklasyfikowane jako koty: 15
-
Całkowita liczba poprawnych klasyfikacji: 20 + 15 = 35
-
Psy błędnie sklasyfikowane jako koty: 5
-
Koty błędnie sklasyfikowane jako psy: 10
-
Całkowita liczba błędnych klasyfikacji: 5 + 10 = 15
-
Całkowita liczba przypadków w zbiorze testowym: 35 (poprawnie) + 15 (błędnie) = 50
Dokładność = (Liczba poprawnych klasyfikacji) / (Całkowita liczba przypadków) = 35 / 50 = 0.7
Wartość dokładności tego modelu wynosi 70%.
[eduexe-source]22:1[/eduexe-source][eduexe-source]22:3[/eduexe-source]
-
-
Jaki jest wzór na średnią harmoniczną?
-
Jaki jest wzór na średnią harmoniczną?
[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.