conversation_by_x5y

[student_905_x5y]

co to znaczy nieredundantne?

[bot_external]

W kontekście "Glossary of artificial intelligence - F - ekstrakcja cech" nieredundantne oznacza, że cecha jest informatywna i nie powtarza się w innych cechach. Inaczej mówiąc, cecha nie może być wyrażona przez inne cechy, a jej dodanie do zestawu cech nie powoduje powtarzania się informacji.

Przykładem może być cecha "kolor" w przypadku zdjęcia. Jeśli zdjęcie ma tylko jeden kolor, to cecha "kolor" jest nieredundantna, ponieważ nie powtarza się w innych cechach. Jeśli zdjęcie ma wiele kolorów, to cecha "kolor" może być redundantna, ponieważ jej dodanie do zestawu cech nie powoduje powtarzania się informacji.

[student_905_x5y]

czy nie jest tak że każde zdjęcie może mieć element. np zielony przy rozróżnianiu zdjęć żab i liści?

[bot_external]

Nie, nie jest tak, że każde zdjęcie może mieć element, który jest nieredundantny. W kontekście "Glossary of artificial intelligence - F - ekstrakcja cech" nieredundantne oznacza, że cecha jest informatywna i nie powtarza się w innych cechach.

Przykładem może być cecha "kolor" w przypadku zdjęcia. Jeśli zdjęcie ma tylko jeden kolor, to cecha "kolor" jest nieredundantna, ponieważ nie powtarza się w innych cechach. Jeśli zdjęcie ma wiele kolorów, to cecha "kolor" może być redundantna, ponieważ jej dodanie do zestawu cech nie powoduje powtarzania się informacji.

W przypadku rozróżniania zdjęć żab i liści, cecha "zielony" może być nieredundantna, jeśli zdjęcie żaby ma tylko zielony kolor, a zdjęcie liści ma tylko zielony kolor. Jeśli zdjęcie żaby ma wiele kolorów, w tym zielony, a zdjęcie liści ma również wiele kolorów, w tym zielony, to cecha "zielony" może być redundantna.

[student_905_x5y]

jakie cechy na zdjęciach staną się kluczowe przy klasyfikowaniu zdjęć żab i liści?

[bot_external]

Nie mogę znaleźć informacji w dostępnym kontekście, która mówiłaby o tym, jakie cechy na zdjęciach staną się kluczowe przy klasyfikowaniu zdjęć żab i liści.

[student_905_x5y]

jaka jest czułość jeśli 27 zdjęć zostało słusznie uznane za koty, a 3 zostały niepoprawnie uznane za psy?

[bot_external]

Aby obliczyć czułość, musimy wiedzieć, ile zdjęć było rzeczywiście kotami. W tym przypadku nie podano tej informacji, ale możemy założyć, że 27 zdjęć, które zostały słusznie uznane za koty, to zdjęcia rzeczywiście kotów.

Czułość (recall) jest definiowana jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. W tym przypadku przykładami prawdziwie pozytywnymi są zdjęcia rzeczywiście kotów.

Jeśli 27 zdjęć zostało słusznie uznane za koty, a nie podano informacji o liczbie zdjęć rzeczywiście kotów, nie możemy obliczyć czułości.

[student_905_x5y]

jeśli 27 zdjęć z kotami zostało uznane za koty, 3 błędnie jako psy, zatem łącznie było 30 zdjęć kotów to jaka jest czułość modelu?

[bot_external]

Aby obliczyć czułość modelu, musimy wiedzieć, ile zdjęć było rzeczywiście kotami. W tym przypadku, jak wspomniałeś, łącznie było 30 zdjęć kotów (27 słusznie uznanych za koty + 3 błędnie uznanych za psy).

Czułość (recall) jest definiowana jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. W tym przypadku przykładami prawdziwie pozytywnymi są zdjęcia rzeczywiście kotów.

Zatem, czułość modelu wynosi:

Czułość = (liczba zdjęć rzeczywiście kotów) / (łączna liczba zdjęć kotów)
= (30) / (30)
= 1

Czułość modelu wynosi 1, co oznacza, że model sklasyfikował wszystkie 30 zdjęć kotów poprawnie.