conversation_by_4ix

[student_1137_4ix]

Jak zmienic ile % danych trafi do zbioru uczacego w GTM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie ma możliwości ręcznej zmiany tej proporcji. [eduexe-source]15:7[/eduexe-source]

[student_1137_4ix]

czy niewielka roznica w ilosci przykladow w zbiorach uczacych ma znaczenie jesli zbiory sa ogromne

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Na podstawie materiałów kursu, ważne jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Nierówna liczebność klas, zwłaszcza gdy liczba przypadków jednego typu jest zbyt mała w porównaniu z innymi, może prowadzić do tego, że model po prostu zignoruje te mniej liczne przypadki. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:5[/eduexe-source] Kurs nie precyzuje jednak, czy niewielka różnica w ilości przykładów ma znaczenie w przypadku ogromnych zbiorów danych.

[student_1137_4ix]

Jakie sa prawidlowe odpowiedzi do testu z czesci C

[bot_eduexe]

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

[student_1137_4ix]

ile roznych metryk przedstawiono w kursie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie przedstawiono cztery różne metryki: dokładność (accuracy), precyzję (precision), czułość (recall) oraz F-score. [eduexe-source]29:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]

[student_1137_4ix]

czy jedna z tych metryk jest obiektywnie lepsza od innych

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie, żadna z metryk (dokładność, precyzja, czułość, F-score) nie jest obiektywnie lepsza od innych. Każda z nich ma swoje wady i zalety, a wybór odpowiedniej zależy od specyfiki danych i głównego celu modelu. [eduexe-source]26:4[/eduexe-source]