conversation_by_0zy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (nazywana również tablicą pomyłek) to narzędzie kluczowe do oceny modeli uczenia maszynowego, zwłaszcza w zadaniach klasyfikacji. Pokazuje, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]18:1[/eduexe-source][eduexe-source]20:1[/eduexe-source]

W przypadku problemu dwuklasowego, macierz dzieli się na cztery typy klasyfikacji:

• Prawdziwie pozytywne (TP): model poprawnie zidentyfikował pozytywny przypadek.
• Prawdziwie negatywne (TN): model poprawnie zidentyfikował negatywny przypadek.
• Fałszywie pozytywne (FP): model błędnie zidentyfikował negatywny przypadek jako pozytywny.
• Fałszywie negatywne (FN): model błędnie zidentyfikował pozytywny przypadek jako negatywny.
  [eduexe-source]21:2[/eduexe-source]
  Na podstawie macierzy pomyłek obliczane są różne metryki oceny jakości modelu.

[student_1137_0zy]

co to metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w kontekście Uczenia Maszynowego to miary oceny wytrenowanych modeli. Można je traktować jako funkcje, które przyjmują model i zwracają wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza lepszą ocenę modelu. [eduexe-source]21:1[/eduexe-source]

[student_1137_0zy]

a jakie s apodstawy do obliczania metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podstawą do obliczania metryk w uczeniu maszynowym jest macierz pomyłek. Pokazuje ona, ile przykładów testowych zostało sklasyfikowanych przez model poprawnie, a ile błędnie, dzieląc je na cztery kategorie: prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]