NAJWAŻNIEJSZE POJĘCIA [3,]

Z wykładów: 3,

Binarny classification

podział na 2 klasy: należy nie należy (0/1)

Multiclass classification

podział na WIĘCEJ niż 2 klasy: pies(0), kot(1), wąż(2), delfin(3)

Decision boundary

Nasz cel to jest żeby model sie jej nauczył. To granca rozdzielająca poszczególne klasy

capacity

• Definicja: miara jak skomplikowane relacje w danych model jest w stanie pojąć i odtworzyć (brain capacity)

• Zależność od parametrów: capacity rośnie z liczbą parametrów modelu

• Problemy:
  - zbyt niskie capacity: za prosty model dla danego problemy [za mało parametrów, przez co znajduje za mało zależności] (underfitting i wysoki bias)
  - zbyt wysokie capacity: model zbyt skomplikowany, [bierze za dużo parametrów, znajduje między nimi przypadkowe zależności co powodue złą klasyfikację] (overfitting i wysoki variance)

bias

• Def: miara błędu wynikającego z błędnych, zbyt uproszczonych założeń przyjętych przez model (stronniczość)

• Zależnośc od danych: gdy model jest

variance

underfitting

overfitting

threshold

• próg klasyfikacji [np. jeśli prawdopodobieństwo żę to kot powyżej threshold (np.50%) to powiedz że to kod z takim prawdopodobieństwem]

• Kiedy zmniejszać/zwiększać: w zależności czy chcemy wykryć WSZYSTKIE np. awarie, nawet jeśli nieprawdopodobne, czy jeśli chcemy otrzymać tylko bardzo PEWNE wyniki, np. że on jest chory na 70%

label

feature

BCE

hiperparametr

tuning

strojenie modelu

Confusion matrix

macie

TP

T