conversation_by_v9a

[student_1137_v9a]

Wnioskując po funkcji straty na ilustracji (do 15 epoki), mamy do czynienia z modelem... przeuczonym niedouczonym dobrze dopasowanym

[bot_eduexe]

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

[student_1137_v9a]

tablicą pomyłek co to

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tablica pomyłek (nazywana również macierzą pomyłek, ang. confusion matrix) to macierz przygotowywana dla zbioru testowego. Służy do odczytywania, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. Jest to podstawa do obliczania metryk oceny jakości wytrenowanego modelu. [eduexe-source]20:1[/eduexe-source][eduexe-source]18:1[/eduexe-source]

[student_1137_v9a]

Macierz pomyłek i tablica pomyłek to dwa określenia na tę samą rzecz. Prawda Fałsz

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Prawda. [eduexe-source]18:3[/eduexe-source]

[student_1137_v9a]

zrob podsumowanie modulu c

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Moduł C kursu "Podstawowe pojęcia Uczenia Maszynowego" omawia kluczowe terminy związane z trenowaniem modeli. Zawiera następujące zagadnienia:

• Zbiór uczący i zbiór testowy: Dane są dzielone na zbiór uczący (na którym model się uczy) i testowy (na którym sprawdzana jest skuteczność modelu). [eduexe-source]15:3[/eduexe-source]
• Epoka, wsad i współczynnik uczenia się: Epoka to jednokrotne przejście przez cały zbiór uczący. Wsad to liczba przykładów przetwarzanych jednocześnie. Współczynnik uczenia określa wielkość korekty modelu w kierunku oczekiwanego wyniku. [eduexe-source]16:3[/eduexe-source][eduexe-source]16:5[/eduexe-source][eduexe-source]16:7[/eduexe-source]
• Funkcja straty, przeuczenie, niedouczenie: Funkcja straty mierzy różnicę między przewidywanym a rzeczywistym wynikiem (celem jest jej minimalizacja). Przeuczenie to nadmierne dopasowanie do danych uczących, a niedouczenie to zbyt słabe nauczenie się wzorców. [eduexe-source]17:2[/eduexe-source][eduexe-source]17:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]
• Macierz pomyłek: Narzędzie służące do oceny, ile przykładów zostało poprawnie, a ile błędnie sklasyfikowanych. [eduexe-source]18:1[/eduexe-source]

[student_1137_v9a]

o co chodzi w module b

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Moduł B kursu "Wstęp do uczenia maszynowego", zatytułowany "Dane w Uczeniu Maszynowym", skupia się na roli danych i ich jakości w procesie uczenia maszynowego. Omówione są popularne problemy z danymi, takie jak: przypadki graniczne między klasami, nierówna liczebność klas oraz dane spoza zdefiniowanych klas. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source] Moduł przedstawia również sposoby radzenia sobie z tymi problemami, np. poprzez dodawanie nowych klas, uzupełnianie danych lub tworzenie klas pośrednich. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source] Całość jest utrwalana na przykładach i ćwiczeniach. [eduexe-source]14:1[/eduexe-source]

[student_1137_v9a]

Odczytywanie macierzy pomyłek - sprawdź się! Działamy na przykładowym modelu opisanym macierzą pomyłek z początku tej strony kursu. Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych, bazując na przykładowej macierzy pomyłek z początku tej strony kursu, to 3. [eduexe-source]21:3[/eduexe-source]

[student_1137_v9a]

Podstawą do obliczania metryk jest

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podstawą do obliczania metryk jest macierz pomyłek (nazywana również tablicą pomyłek), która pokazuje, ile przykładów ze zbioru testowego zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]21:2[/eduexe-source]

[student_1137_v9a]

jak policzyc dokladnosc

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) oblicza się jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]

[student_1137_v9a]

podaj wzor

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) oblicza się według wzoru:

Dokładność = (TP + TN) / (TP + TN + FP + FN)

Gdzie:

• TP (True Positive) to przypadki prawdziwie pozytywne (poprawnie zaklasyfikowane jako pozytywne).
• TN (True Negative) to przypadki prawdziwie negatywne (poprawnie zaklasyfikowane jako negatywne).
• FP (False Positive) to przypadki fałszywie pozytywne (błędnie zaklasyfikowane jako pozytywne).
• FN (False Negative) to przypadki fałszywie negatywne (błędnie zaklasyfikowane jako negatywne).

[eduexe-source]22:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1137_v9a]

Warunki stosowania dokładności jako metryki - sprawdź się! Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda Fałsz

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Prawda. Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. W przeciwnym razie, zwłaszcza przy dużej rozbieżności w liczebności klas, dokładność może być myląca i dawać wysokie wartości, nawet jeśli model jest praktycznie bezużyteczny. [eduexe-source]22:7[/eduexe-source][eduexe-source]22:6[/eduexe-source]