conversation_by_i8v

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich odpowiedzi, sugeruję powtórzenie następujących zagadnień:

1. Wprowadzenie do Uczenia Maszynowego: Przejrzyj definicje, zastosowania UM oraz zagadnienie uczenia przez doświadczenie. [eduexe-source]7:3[/eduexe-source] [eduexe-source]7:4[/eduexe-source] [eduexe-source]7:5[/eduexe-source]
2. Ocena jakości modelu UM: Powtórz wprowadzenie do metryk, które są miarami oceny modeli. [eduexe-source]21:1[/eduexe-source]
3. Obsługa Google Teachable Machine: Powtórz ćwiczenie sprawdzania działania modelu, aby lepiej rozumieć jego wyniki. [eduexe-source]10:7[/eduexe-source]
4. Problemy z danymi: Skup się na zagadnieniu danych spoza klas. [eduexe-source]11:5[/eduexe-source] [eduexe-source]11:10[/eduexe-source]
5. Macierz pomyłek: Powtórz analizę macierzy pomyłek i jej interpretację. [eduexe-source]18:2[/eduexe-source] [eduexe-source]18:4[/eduexe-source]
6. Wielkość wsadu i epoki: Upewnij się, że rozumiesz, jak obliczać liczbę wsadów w epoce. [eduexe-source]16:5[/eduexe-source] [eduexe-source]16:6[/eduexe-source]
7. Metryki - Precyzja: Powtórz definicję i sposób obliczania precyzji. [eduexe-source]23:1[/eduexe-source] [eduexe-source]23:5[/eduexe-source]

[student_1137_i8v]

Pomóż mi z tym pytaniem w tym rozdziale dot. obliczania precyzji - wytłumacz jeszcze raz obliczanie precyzji.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Precyzja (precision) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych (np. prawidłowo zdiagnozowanych chorych) do wszystkich przypadków, które model sklasyfikował jako pozytywne. Mówi nam, jak wiele z pozytywnych predykcji modelu było faktycznie poprawnych. Im wyższa precyzja, tym lepiej. [eduexe-source]23:1[/eduexe-source]

[student_1137_i8v]

A co, gdy mamy model z kotami i psami (zamiast sytuacji TAK/NIE)? Jak wtedy oblicza się precyzję?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W modelu z wieloma klasami, takimi jak "koty" i "psy", precyzję oblicza się zazwyczaj dla każdej klasy osobno. Dla danej klasy (np. "koty") precyzja to stosunek poprawnie sklasyfikowanych kotów (prawdziwie pozytywnych) do wszystkich przypadków, które model oznaczył jako koty (czyli poprawnie sklasyfikowanych kotów plus psów błędnie zaklasyfikowanych jako koty). Analogicznie postępuje się dla klasy "psy". [eduexe-source]23:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]