conversation_by_wqn
-
-
Czym się różni uczenie pod nazdorem oraz uczenie bez nadzoru?
-
Czym się różni uczenie pod nazdorem oraz uczenie bez nadzoru?
Uczenie nadzorowane (ang. supervised learning) i uczenie nienadzorowane (ang. unsupervised learning) różnią się w sposób, w jaki model jest szkolony.
Uczenie nadzorowane polega na dostarczeniu modelowi danych, które są oznaczone odpowiednimi etykietami wynikowymi. Model uczy się na podstawie tych danych i etykiet, aby móc przewidywać wyniki dla nowych danych. Przykładem może być nauka rozróżniania zdjęć psów i kotów na podstawie zdjęć podpisanych odpowiednio jako psy i koty.
Z drugiej strony, uczenie nienadzorowane nie ma dostępu do "prawidłowych odpowiedzi", a jego zadaniem jest samemu odkryć wzorce i zależności w danych. Model musi samodzielnie podzielić dane na grupy, bez podawania nazw gatunków. Przykładowo, model może dostarczyć mu wymieszane zdjęcia różnych gatunków zwierząt, a model powinien podzielić zdjęcia według gatunków.
W ten sposób, uczenie nadzorowane polega na dostarczeniu modelowi danych z etykietami, podczas gdy uczenie nienadzorowane polega na samodzielnym odkrywaniu wzorców w danych bez dostępu do etykiet.
-
Mamy dwa problemy: jeden to określenie na podstawie zdjęcia rentgenowskiego czy ręka delikwenta jest złamana czy nie. Drugie to określenie jak bardzo zostanie połamana ręka delikwenta w zależności od siły uderzenia. Predykcja czy klasyfikacja? Które?
-
Mamy dwa problemy: jeden to określenie na podstawie zdjęcia rentgenowskiego czy ręka delikwenta jest złamana czy nie. Drugie to określenie jak bardzo zostanie połamana ręka delikwenta w zależności od siły uderzenia. Predykcja czy klasyfikacja? Które?
Odpowiedź na to pytanie jest prosta. Obie problemy, które przedstawiasz, są przykładami klasyfikacji.
Pierwszy problem dotyczy określenia, czy ręka delikwenta jest złamana czy nie. Oznacza to, że model musi przypisać zdjęcie rentgenowskie do jednej z dwóch klas: "złamana" lub "niezłamana".
Drugi problem dotyczy określenia, jak bardzo zostanie połamana ręka delikwenta w zależności od siły uderzenia. Oznacza to, że model musi przypisać zdjęcie rentgenowskie do jednej z kilku klas, np. "niezłamana", "lekkie złamanie", "średnie złamanie" lub "ciężkie złamanie".
W obu przypadkach model musi klasyfikować zdjęcia rentgenowskie do jednej z określonych klas, co oznacza, że są to przykłady klasyfikacji.
-
Źle mnie zrozumiałeś. W drugim problemie nie oceniasz żadnego zdjęcia rentgenowskiego. Wyobraź sobie, że masz grupę dresiarzy bijących się z delikwentem i na podstawie tego masz ocenić jak bardzo ręka delikwenta zostanie złamana.
-
Źle mnie zrozumiałeś. W drugim problemie nie oceniasz żadnego zdjęcia rentgenowskiego. Wyobraź sobie, że masz grupę dresiarzy bijących się z delikwentem i na podstawie tego masz ocenić jak bardzo ręka delikwenta zostanie złamana.
W takim przypadku drugi problem jest przykładem predykcji. Model musi przewidzieć, jak bardzo zostanie połamana ręka delikwenta na podstawie siły uderzenia, a nie tylko klasyfikować zdjęcia rentgenowskie do określonych klas.
Predykcja polega na przewidywaniu konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych, co w tym przypadku oznacza, że model musi przewidzieć wartość liczbową (np. stopień złamania) na podstawie siły uderzenia.
-
Mamy model który ma rozpoznawać następujące klasy: 1, 3, 5, 7 i 9. Podajemy do niego ręcznie napisaną liczbę 2. Co się wówczas stanie?
-
Mamy model który ma rozpoznawać następujące klasy: 1, 3, 5, 7 i 9. Podajemy do niego ręcznie napisaną liczbę 2. Co się wówczas stanie?
W tym przypadku model nie będzie w stanie rozpoznać ręcznie napisanej liczby 2, ponieważ nie jest ona zawarta w zestawie klas, który model został zdefiniowany do rozpoznawania. Model został zdefiniowany do rozpoznawania klas: 1, 3, 5, 7 i 9, a nie 2.
-
Wtedy jednak coś się stanie, prawda? Co dokładnie? Co to za rodzaj błędu? Jak sobie z nim poradzić?
-
Wtedy jednak coś się stanie, prawda? Co dokładnie? Co to za rodzaj błędu? Jak sobie z nim poradzić?
Tak, coś się stanie. Model nie będzie w stanie rozpoznać ręcznie napisanej liczby 2, ponieważ nie jest ona zawarta w zestawie klas, który model został zdefiniowany do rozpoznawania.
W tym przypadku model popełni błąd klasyfikacji, zwany błędem klasyfikacji niezdefiniowanej (ang. out-of-class classification error). Błąd ten występuje, gdy model próbuje sklasyfikować dane, które nie należą do żadnej z zdefiniowanych klas.
Aby sobie z tym rodzajem błędu poradzić, należy zdefiniować dodatkową klasę, np. "niezdefiniowana" lub "nieznana", która będzie reprezentować przypadki, w których model nie jest w stanie rozpoznać danych. W ten sposób model będzie mógł sklasyfikować dane do jednej z zdefiniowanych klas lub do klasy "niezdefiniowana", co pozwoli uniknąć błędu klasyfikacji niezdefiniowanej.
-
Jakie rozmiary będzie miała macierz pomyłek dla stusiedemnastoklasowego modelu?
-
Jakie rozmiary będzie miała macierz pomyłek dla stusiedemnastoklasowego modelu?
Macierz pomyłek jest tablicą, która reprezentuje liczbę pomyłek między różnymi klasami w modelu. Rozmiar macierzy pomyłek zależy od liczby klas w modelu.
Jeśli model ma 17 klas, to macierz pomyłek będzie miała rozmiar 17x17.
-
Czy jesteś w stanie policzyć jej rozmiar?
-
Czy jesteś w stanie policzyć jej rozmiar?
Tak, jestem w stanie policzyć rozmiar macierzy pomyłek dla stusiedemnastoklasowego modelu.
Macierz pomyłek ma rozmiar 17x17, ponieważ model ma 17 klas.
-
Mam na myśli, 17 * 17.
-
Mam na myśli, 17 * 17.
Tak, rozmiar macierzy pomyłek dla stusiedemnastoklasowego modelu to 17 * 17.
-
A nie, przepraszam - ja się pomyliłem. To model stusiedemnastoklasowy!
-
A nie, przepraszam - ja się pomyliłem. To model stusiedemnastoklasowy!
Rozmiar macierzy pomyłek dla stusiedemnastoklasowego modelu to 289 (17 * 17).
-
Dla siedemnastoklasowego tak. Ale to jest stusiedemnastoklasowy. Czyli 117 * 117