conversation_by_dub

[bot_external]

Wykres straty na epokę pokazuje zmianę wartości funkcji straty wraz z postępem uczenia się modelu. W opisanej w kontekście demonstracji, wykres ten jest przedstawiony w Google Teachable Machine, w sekcji "Dla zaawansowanych". Na wykresie zaznaczono dwie linie - niebieską dla zbioru uczącego i pomarańczową dla zbioru testowego.

Wykres straty na epokę może nam powiedzieć, czy model się uczy, czy nie. Jeśli wartość funkcji straty maleje wraz z postępem uczenia się, oznacza to, że model się uczy i jego dokładność wzrasta. Jeśli wartość funkcji straty nie zmienia się lub zaczyna rosnąć, oznacza to, że model się nie uczy lub przeuczył się.

W opisanej w kontekście demonstracji, wykres straty na epokę jest używany do oceny jakości modelu i jego zdolności do klasyfikacji przykładów.

[student_905_dub]

jak obliczyć precyzję dla całego modelu?

[bot_external]

Aby obliczyć precyzję dla całego modelu, należy podzielić liczbę poprawnie rozpoznanych przykładów przez liczbę wszystkich przykładów rozpoznanych przez model jako prawidłowe.

Na przykład, jeśli model rozpoznał 80 przykładów jako prawidłowe i 20 z nich było poprawnie rozpoznanych, to precyzja modelu wynosi 80/100 = 0,8 lub 80%.

Warto zauważyć, że precyzja jest miarą dokładności modelu, a jej wartość powinna być maksymalnie możliwa, aby model był skuteczny w rozpoznawaniu przykładów.

[student_905_dub]

dlaczego wynik w d3 wynosi 75?

[student_905_dub]

wytłumacz mi proszę pojęcie czułości

[student_905_dub]

za co odpowiada czułość

[bot_external]

Czułość to miara zdolności modelu do rozpoznawania przykładów należących do klasy pozytywnej. Jest to miara, która określa, jak dobrze model rozpoznaje przykłady, które rzeczywiście należą do klasy pozytywnej.

Czułość jest obliczana jako stosunek liczby przykładów, które zostały prawidłowo rozpoznane jako pozytywne (TP), do liczby wszystkich przykładów, które rzeczywiście należą do klasy pozytywnej (TP + FN).

Na przykład, jeśli model rozpoznał 80 przykładów jako pozytywne i 20 z nich było poprawnie rozpoznanych, a w rzeczywistości 90 przykładów należało do klasy pozytywnej, to czułość modelu wynosi 80/90 = 0,89 lub 89%.

Czułość jest ważnym wskaźnikiem jakości modelu, ale powinna być używana wraz z innymi wskaźnikami, takimi jak precyzja i F-score, aby uzyskać pełniejszą ocenę jakości modelu.