conversation_by_pdb

[bot_external]

Odpowiedź na to pytanie jest niejednoznaczna, ponieważ nie ma w kontekście żadnych informacji o tym, czy zbiór treningowy o milione zdjęć jest zbyt duży. Jednak w przykładzie z materiałów jest mowa o tym, że zbiór treningowy powinien być znacząco większy od zbioru testowego. Nie ma jednak informacji o tym, jak duży powinien być zbiór treningowy.

W przykładzie z materiałów jest mowa o tym, że zbiór testowy powinien być wystarczająco duży, aby móc ocenić, czy model poprawnie (lub błędnie) klasyfikuje przykłady. Nie ma jednak informacji o tym, jak duży powinien być zbiór treningowy.

Jednak w innym przykładzie z materiałów jest mowa o tym, że Google Teachable Machine automatycznie dzieli dane na zbiór uczący i zbiór testowy w proporcji 85:15. Nie ma jednak informacji o tym, czy zbiór treningowy o milione zdjęć jest zbyt duży w tym przypadku.

W związku z tym, nie mogę udzielić precyzyjnej odpowiedzi na to pytanie.

[student_pdb]

czym jest metryka

[bot_external]

Metryka to miara jakości modelu Uczenia Maszynowego, która umożliwia porównywanie modeli między sobą. W kontekście, którym dyskutujemy, metryki są obliczane na podstawie macierzy pomyłek.

[student_pdb]

a jak mierzymy ta jakosc modelu

[bot_external]

Metryki są miarą jakości modelu Uczenia Maszynowego, która umożliwia porównywanie modeli między sobą. W kontekście, którym dyskutujemy, metryki są obliczane na podstawie macierzy pomyłek.

W materiałach jest mowa o czterech głównych metrykach:

1. Dokładność (accuracy) - to często metryka domyślna, która określa, jak często model poprawnie klasyfikuje przykłady.
2. Precyzja (precision) - to metryka, która określa, jak często model poprawnie klasyfikuje przykłady z jednej klasy.
3. Czułość (recall) - to metryka, która określa, jak często model poprawnie klasyfikuje przykłady z jednej klasy, nawet jeśli są one rzadkie.
4. F-score - to uniwersalna metryka, która łączy precyzję i czułość modelu.

Metryki te są ważne, ponieważ pozwalają ocenić jakość modelu i porównywać go z innymi modelami. Warto zwrócić uwagę, że każda metryka ma swoje wady i zalety, i zależy od celu, jaki chcemy osiągnąć.