conversation_by_pti

[student_1141_pti]

czyli chodzi o to, że zbiór określa to, na czym testujemy a technika bardziej w jaki sposób oceniamy wynik testu dlatego to bylo zle ?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Twoje rozumowanie jest poprawne. [eduexe-source]15:3[/eduexe-source]

Zbiór danych testowych to zbiór przykładów, na których model jest testowany, czyli "na czym" przeprowadzamy test. Natomiast Krzywa ROC czy współczynnik R² to techniki i metryki, które pozwalają ocenić "w jaki sposób" model poradził sobie z tymi danymi, czyli jak dobrze działa. [eduexe-source]21:1[/eduexe-source]

[student_1141_pti]

dlaczego dla pierwszego zdjecia model byl pewny w 100% a przy drugim mial juz wątpliwosci ?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model nie zawsze jest całkowicie pewien swoich ocen, szczególnie gdy dany przypadek jest dla niego niejednoznaczny. Dla pierwszego zdjęcia (test_1.jpg) model był w 100% pewny, że to pies, ponieważ prawdopodobnie był to typowy przykład psa. Natomiast dla drugiego zdjęcia (test2.jpg), mimo że przewidział kota, nie był już w 100% pewny, co sugeruje, że obrazek mógł być bardziej skomplikowany lub mniej jednoznaczny dla modelu. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:8[/eduexe-source]

[student_1141_pti]

od czego to głównie zależy

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Pewność modelu zależy głównie od tego, jak bardzo dany obrazek przypomina przykłady, na których model był trenowany dla danej klasy. Jeśli obrazek jest bardzo typowy dla jednej z klas i nie posiada cech innych klas, model będzie pewny.

Jeśli obrazek jest nietypowy, niejednoznaczny lub posiada cechy zbliżone do innej klasy, model będzie miał wątpliwości, co przełoży się na niższą pewność. Możesz o tym przeczytać w sekcji o nietypowych przypadkach testowych. [eduexe-source]11:2[/eduexe-source] [eduexe-source]11:3[/eduexe-source]

[student_1141_pti]

czy dobrze myśle ze w 1 zadaniu sprawdz sie nawet nie trzeba sprawdzac i mozemy od razu wykluczyc odpowiedz gęś?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Twoje rozumowanie jest prawidłowe. Model, który został wytrenowany do rozróżniania tylko "Orłów" i "Kaczek", nie ma zdefiniowanej klasy "Gęś". W związku z tym, nie jest w stanie zaklasyfikować żadnego obrazka jako "Gęś", ponieważ nie był uczony, jak wygląda gęś ani że taka kategoria w ogóle istnieje w jego zakresie działania. Może on jedynie przypisać obrazek do jednej z klas, na których był trenowany, czyli "Orzeł" lub "Kaczka". [eduexe-source]10:4[/eduexe-source][eduexe-source]10:5[/eduexe-source][eduexe-source]10:8[/eduexe-source]

[student_1141_pti]

czy mógłbyś mi wytłumaczyć moje błędy w tym teście

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W pytaniu "Jak można naprawić problem z błędnie klasyfikowanym przypadkiem granicznym pomiędzy dwiema klasami?" wybrałeś jedną poprawną odpowiedź: "dodać klasę pośrednią i załadować do niej odpowiednią liczbę przykładów".

Prawidłowe odpowiedzi to "dodać klasę pośrednią i załadować do niej odpowiednią liczbę przykładów" oraz "załadować więcej przypadków granicznych do ich odpowiednich klas". Pominąłeś drugą z nich. Obie te metody są skuteczne w radzeniu sobie z przypadkami granicznymi, jak opisano w kursie. [eduexe-source]12:3[/eduexe-source]

[student_1141_pti]

moglbys mi pomoc lub naprowdzaic cwieczenie wielkosc wsadu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) to liczba przykładów, którą model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. W ramach jednej epoki model przechodzi przez wszystkie przykłady ze zbioru uczącego.

Aby rozwiązać ćwiczenie, musisz obliczyć, ile takich "porcji treningowych" (wsadów) będzie potrzebnych do przetworzenia całego zbioru uczącego. Jeśli zbiór uczący ma 340 przykładów, a wielkość wsadu to 16, podziel 340 przez 16. Pamiętaj, że jeśli wynik nie jest liczbą całkowitą, potrzebny będzie dodatkowy wsad na pozostałe przykłady. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:6[/eduexe-source]

[student_1141_pti]

czyli co mam zrobic jak wychodzi 21,25

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Dokładnie tak. Skoro wychodzi 21,25, oznacza to, że potrzebujesz 21 pełnych wsadów, a pozostałe przykłady, które stanowią te "0,25" wsadu, wymagają jeszcze jednego, dodatkowego wsadu. Zatem łącznie potrzebne będą 22 wsady. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:6[/eduexe-source]

[student_1141_pti]

a tak teoretycznie skoro ta dokladnosc tak bardzo klamie przy rzadkich chorobach to czy oplaca sie stworzyc model ktory na papierze ma nizsza dokladnosc ale jest bardziej przewrazliwiony i czesciej zgadyje ze ktos jest chory?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Twoje rozumowanie jest bardzo trafne. W przypadku rzadkich chorób, gdzie konsekwencje niezdiagnozowania chorej osoby (fałszywie negatywne przypadki) są bardzo poważne, często opłaca się stworzyć model, który ma na papierze niższą ogólną dokładność (accuracy), ale jest "przewrażliwiony", czyli ma wysoką czułość (recall).

Wysoka czułość oznacza, że model wykrywa duży procent wszystkich rzeczywistych przypadków choroby, nawet jeśli oznacza to błędne zaklasyfikowanie kilku zdrowych osób jako chorych (fałszywie pozytywne przypadki). W medycynie, zwłaszcza w przesiewowych badaniach, lepiej jest mieć więcej fałszywie pozytywnych wyników (które można zweryfikować dodatkowymi badaniami) niż przegapić rzeczywiste przypadki choroby. Dokładność (accuracy) może być myląca w takich sytuacjach, ponieważ model, który zawsze klasyfikuje pacjentów jako zdrowych, osiągnie wysoką dokładność w populacji, gdzie choroba jest rzadka, ale będzie bezużyteczny w wykrywaniu chorych. [eduexe-source]22:6[/eduexe-source][eduexe-source]24:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]