conversation_by_yzt

[student_1136_yzt]

Czy gdy batchsize nie dzieli liczebność zbioru przykładów, uczymy w ostatnim batchu kilka ponownych przykładów, lub obcinamy wsad do nierozpatrzonych przykładów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Według kursu, gdy wielkość wsadu (batch size) nie dzieli idealnie liczby przykładów w zbiorze uczącym, w ostatnim wsadzie znajdują się pozostałe przykłady, co oznacza, że jest on mniejszy. Kurs nie wspomina o ponownym używaniu przykładów w ostatnim wsadzie. [eduexe-source]16:5[/eduexe-source]

[student_1136_yzt]

wiem że kurs nie wspomina, ale w realnym życiu również jest używane obcinanie batch?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, kurs faktycznie wspomina, że w ostatnim wsadzie znajdują się pozostałe przykłady, co oznacza, że jest on mniejszy, jeśli wielkość wsadu nie dzieli idealnie liczby przykładów [eduexe-source]16:5[/eduexe-source].

W praktyce uczenia maszynowego jest to standardowe podejście – ostatni wsad jest zazwyczaj mniejszy i zawiera tylko te przykłady, które pozostały do przetworzenia w danej epoce.

[student_1136_yzt]

w confusion matrix każdy rząd to rzeczywista klasa, a kolumna - klasyfikowana przez model? i w macierzy zapisana jest liczba takich testów?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, masz rację. Standardowo w macierzy pomyłek (confusion matrix) każdy rząd reprezentuje rzeczywistą (prawdziwą) klasę przykładu, a każda kolumna reprezentuje klasę przewidzianą (sklasyfikowaną) przez model. W komórkach macierzy zapisana jest liczba przykładów, które odpowiadają danej kombinacji rzeczywistej i przewidzianej klasy. [eduexe-source]21:2[/eduexe-source] [eduexe-source]18:2[/eduexe-source]

Warto jednak pamiętać, że w Google Teachable Machine układ osi jest odwrotny do większości przykładów: przewidywania modelu są na osi poziomej, a rzeczywisty rozkład klas na osi pionowej. [eduexe-source]30:3[/eduexe-source]

[student_1136_yzt]

prościej niż myślałem

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Cieszę się, że temat macierzy pomyłek okazał się dla Ciebie prosty! To świetnie, że szybko przyswajasz ten kluczowy dla oceny modeli element.

Obecnie jesteś na końcu modułu "C - Podstawowe pojęcia Uczenia Maszynowego". Dotychczas zdobyłeś 18 punktów, co oznacza, że pomyślnie przechodzisz kurs. Spędziłeś w nim około 122 minuty.

Możesz teraz przystąpić do testu podsumowującego ten moduł.

[student_1136_yzt]

wow, nawet takie info masz. Co jeszcze ciekawego wiesz?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje informacje są dla Ciebie interesujące! Wiem na przykład, że system punktacji w tym kursie jest tak zaprojektowany, abyś zawsze otrzymał korzystniejszy dla siebie wynik. Twoja końcowa ocena to suma punktów z testu początkowego i wszystkich testów cząstkowych, LUB suma punktów z testu początkowego i testu końcowego – wybierana jest wyższa z tych dwóch wartości. To daje Ci elastyczność i szansę na najlepszy możliwy rezultat! [eduexe-source]1:1[/eduexe-source]

[student_1136_yzt]

czy metryka to nie funkcja mierząca odległość między dwiema punktami? czy również może być funkcją agregującą, przyporządkowującą dla pewnego modelu liczbę?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. W kontekście uczenia maszynowego metryka jest funkcją, która przyjmując model jako argument, zwraca pewną wartość. Ta wartość służy do oceny i porównywania modeli. Nie jest to jedynie funkcja mierząca odległość między dwoma punktami, choć niektóre metryki mogą opierać się na koncepcji odległości. Jej głównym celem jest przyporządkowanie liczbowej miary jakości działania modelu. [eduexe-source]21:1[/eduexe-source]

[student_1136_yzt]

czy precyzja to innymi słowy dokładność dla pojedyńczej kategorii?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, precyzja (precision) mierzy poprawność klasyfikacji, ale w bardzo specyficznym kontekście: jest to stosunek poprawnie sklasyfikowanych przykładów pozytywnych do wszystkich przykładów, które model sklasyfikował jako pozytywne. [eduexe-source]23:1[/eduexe-source]

Nie jest to więc "dokładność dla pojedynczej kategorii" w ogólnym sensie, ponieważ skupia się wyłącznie na tym, jak wiele z pozytywnych predykcji modelu było rzeczywiście poprawnych, ignorując przypadki negatywne. Można powiedzieć, że precyzja odpowiada na pytanie: "Spośród wszystkich, które uznałem za X, ile faktycznie było X?".

[student_1136_yzt]

no i ta wartość jest wyświetlana w GTM jako accuracy, tylko dla każdej klasy to osobna wartość?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Google Teachable Machine (GTM) wyświetla wartość nazwaną "Dokładność wg klas" osobno dla każdej klasy. Jednakże, zgodnie z opisem w kursie, wartość ta jest obliczana jako stosunek poprawnie sklasyfikowanych przykładów danej klasy do wszystkich przykładów tej klasy w zbiorze testowym. To odpowiada metryce czułości (recall) dla danej klasy, a nie precyzji (precision) ani ogólnej dokładności (accuracy) modelu. [eduexe-source]22:3[/eduexe-source]

[student_1136_yzt]

na przykładzie wyjaśnij jak się liczy (wzory) czułość, precyzja i dokładność dla pojedyńczej klasy oraz modelu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kontekście oceny modelu, kluczowe są pojęcia z macierzy pomyłek:

• True Positive (TP): Liczba poprawnie przewidzianych przypadków pozytywnych.
• True Negative (TN): Liczba poprawnie przewidzianych przypadków negatywnych.
• False Positive (FP): Liczba przypadków negatywnych błędnie przewidzianych jako pozytywne.
• False Negative (FN): Liczba przypadków pozytywnych błędnie przewidzianych jako negatywne.
  [eduexe-source]21:2[/eduexe-source]

Przykład: Załóżmy, że model rozpoznaje koty (klasa pozytywna) i nie-koty (klasa negatywna) w zbiorze testowym 120 przykładów:

• TP = 40 (40 kotów prawidłowo sklasyfikowanych jako koty)
• FN = 10 (10 kotów błędnie sklasyfikowanych jako nie-koty)
• TN = 60 (60 nie-kotów prawidłowo sklasyfikowanych jako nie-koty)
• FP = 10 (10 nie-kotów błędnie sklasyfikowanych jako koty)
  [eduexe-source]29:2[/eduexe-source]

1. Dokładność (Accuracy):

• Definicja: Stosunek wszystkich poprawnie sklasyfikowanych przykładów do wszystkich przykładów w zbiorze testowym. Jest to metryka dla całego modelu. [eduexe-source]22:1[/eduexe-source]
• Wzór: (TP + TN) / (TP + TN + FP + FN) [eduexe-source]22:2[/eduexe-source]
• Obliczenie (dla modelu): (40 + 60) / (40 + 10 + 60 + 10) = 100 / 120 ≈ 83%. [eduexe-source]29:2[/eduexe-source]
• Dla pojedynczej klasy: W Google Teachable Machine "Dokładność wg klas" to w rzeczywistości czułość (recall) dla tej konkretnej klasy. [eduexe-source]22:3[/eduexe-source]

2. Precyzja (Precision):

• Definicja: Stosunek poprawnie sklasyfikowanych przykładów pozytywnych do wszystkich przykładów, które model sklasyfikował jako pozytywne. Mierzy, ile z przewidzianych pozytywnych przypadków było faktycznie pozytywnych. Jest to metryka specyficzna dla klasy pozytywnej. [eduexe-source]23:1[/eduexe-source]
• Wzór: TP / (TP + FP) [eduexe-source]23:2[/eduexe-source]
• Obliczenie (dla klasy "koty"): 40 / (40 + 10) = 40 / 50 = 80%. [eduexe-source]29:2[/eduexe-source]

3. Czułość (Recall):

• Definicja: Stosunek poprawnie sklasyfikowanych przykładów pozytywnych do wszystkich rzeczywistych przykładów pozytywnych. Mierzy, jaki procent wszystkich rzeczywistych przypadków pozytywnych model był w stanie wykryć. Jest to metryka specyficzna dla klasy pozytywnej. [eduexe-source]24:1[/eduexe-source]
• Wzór: TP / (TP + FN) [eduexe-source]24:2[/eduexe-source]
• Obliczenie (dla klasy "koty"): 40 / (40 + 10) = 40 / 50 = 80%. [eduexe-source]29:2[/eduexe-source]

[student_1136_yzt]

Precyzja - sprawdź się! Załóżmy, że mamy model odróżniający psy od kotów. 15 psów poprawnie ocenił jako psy (przykłady prawdziwie pozytywne), 10 psów błędnie jako koty (przykłady fałszywie negatywne), 20 kotów poprawnie jako koty (przykłady prawdziwie neg

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W podanym przez Ciebie przykładzie, przyjmując "psy" jako klasę pozytywną, mamy:

• Prawdziwie pozytywne (TP - psy poprawnie ocenione jako psy): 15
• Fałszywie pozytywne (FP - koty niesłusznie ocenione jako psy, zgodnie z pełną wersją pytania w kursie): 5

Precyzję obliczamy ze wzoru: TP / (TP + FP).
Zatem: 15 / (15 + 5) = 15 / 20 = 0.75.

Precyzja tego modelu wynosi 75%. [eduexe-source]23:5[/eduexe-source]