Ocenjevanje uspesnosti Flashcards

1
Q

Kaj vključuje ocenjevanje uspešnosti inteligentnega sistema?

A

Ocenjevanje vključuje primernost modela samega in uporabnost v realnem svetu.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Katere tri vrste pristopov k učenju modelov poznamo v strojnih učenju?

A

Makroskopski (simbolični), mikroskopski (konektivistični) in hibridni pristopi.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Zakaj je navzkrižna tabela pomembna pri ocenjevanju klasifikacijskega modela?

A

Omogoča izračun mer, kot so natančnost, občutljivost, specifičnost in preciznost, ki ocenijo uspešnost klasifikacije.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Kaj so True Positives (TP) in False Negatives (FN) v kontekstu navzkrižne tabele?

A

TP so pravilno klasificirani pozitivni primeri, FN pa so pozitivni primeri, klasificirani kot negativni.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Kako izračunamo specifičnost (specificity) modela?

A

Specifičnost = tn / (tn + fp), kjer je tn število pravilno klasificiranih negativnih primerov.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Zakaj je potrebno pri delitvi na učno in testno množico poskrbeti, da je vzorec reprezentativen?

A

Reprezentativen vzorec zagotavlja, da model ni pristranski in da rezultati odražajo resnično delovanje.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Kaj pomeni, če ima klasifikator visoko preciznost, a nizko priklic?

A

Model ima malo napačno pozitivnih, vendar veliko napačno negativnih, kar pomeni, da pogosto spregleda pozitivne primere.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Naštej glavne metrike za ocenjevanje klasifikacijskih modelov.

A

Natančnost, preciznost, priklic, F1-metrika, specifičnost, ROC in AUC.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Kako validacijska množica pomaga zmanjšati preoptimistično oceno uspešnosti?

A

S testiranjem modela na podatkih, ki niso bili uporabljeni za učenje, zmanjšuje pristranskost zaradi prileganja.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Kakšna je razlika med občutljivostjo (sensitivity) in specifičnostjo (specificity)?

A

Občutljivost meri delež pravilno klasificiranih pozitivnih primerkov, specifičnost pa delež pravilno klasificiranih negativnih primerkov.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Pojasni razliko med fiksno in variabilno delitvijo podatkov na učne in testne množice ter navedi primere, kdaj uporabiti posamezni pristop.

A

Fiksna delitev je primerna za večje množice (npr. 2/3 za učenje in 1/3 za test), medtem ko variabilna (n-fold) delitev večkrat preizkusi model na vseh podatkih, kar je koristno pri manjših množicah.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Kako deluje metoda “leave-one-out” in zakaj se uporablja?

A

Model se trenira na n-1 objektih, nato se preizkusi na enem objektu. Ta metoda se uporablja pri majhnih množicah za zmanjšanje pristranskosti.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Zakaj je pomembno meriti AUC (Area Under Curve) pri ROC krivuljah?

A

AUC meri površino pod ROC krivuljo in ponazarja, kako dobro model ločuje med pozitivnimi in negativnimi primeri.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Kako navzkrižna validacija (cross-validation) zmanjša pristranskost v rezultatih?

A

Navzkrižna validacija preizkusi model na različnih delih podatkov, s čimer pridobimo stabilnejše ocene uspešnosti.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Kako lahko vključimo toleranco na šum v procesu gradnje modela?

A

Z uporabo tehnik, kot so robustni klasifikatorji ali filtri za odstranjevanje šuma.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Kateri parametri vplivajo na konvergenčno hitrost pri strojno učenih modelih?

A

Velikost učne množice, kompleksnost modela, izbira algoritma in hitrost učenja.

17
Q

Na primeru razloži razliko med preciznostjo (precision) in priklicem (recall).

A

Preciznost meri, koliko pozitivnih klasifikacij je pravilnih, priklic pa, koliko pozitivnih primerov je model zaznal.

18
Q

Kako se uporablja matrika zmede (confusion matrix) za oceno natančnosti po razredih?

A

Iz matrike zmede se izračuna natančnost za vsak razred posebej, kar pomaga ugotoviti, kateri razredi so najpogosteje napačno klasificirani.

19
Q

Razloži, zakaj bi bil klasifikator z višjim F1-score lahko bolj uporaben v nekaterih primerih kot tisti z višjo natančnostjo.

A

F1-score uravnoteži priklic in preciznost, zato je uporaben v primerih, ko je enakomerno zaznavanje vseh primerov pomembnejše od splošne natančnosti.

20
Q

Kako bi interpretirali model, ki ima visoko ROC-AUC vrednost, vendar slabo splošno natančnost?

A

Model dobro ločuje pozitivne in negativne primere, vendar je morda pristranski do enega od razredov ali napačno kalibriran.