→ PSI → Start Learning / Download MP3 Flashcards

Question		Answer
Drzewo decyzyjne start learning		Model uczenia nadzorowanego podejmujący decyzje poprzez sekwencję pytań o cechy danych
Elementy drzewa decyzyjnego start learning		Składa się z korzenia węzłów decyzyjnych oraz liści zawierających decyzję
Zasada działania drzewa start learning		Dane są dzielone według cech tak aby jak najlepiej rozdzielić klasy lub zminimalizować błąd
Overfitting start learning		Zbyt dobre dopasowanie modelu do danych treningowych skutkujące słabą generalizacją
Jak przeciwdziałać overfittingowi start learning		Ograniczyć głębokość drzewa zastosować przycinanie lub minimalną liczbę próbek
Bagging start learning		Metoda zespołowa polegająca na trenowaniu wielu modeli na losowych próbkach danych
Cel baggingu start learning		Zmniejszenie wariancji modelu i ograniczenie overfittingu
Random Forest start learning		Zespół drzew decyzyjnych uczonych metodą baggingu z losowym wyborem cech
Gradient Boosting start learning		Metoda zespołowa w której kolejne modele uczą się na błędach poprzednich
Cel gradient boosting start learning		Minimalizacja błędu poprzez stopniowe poprawianie słabych modeli
SVM start learning		Metoda klasyfikacji i regresji oparta na maksymalizacji marginesu między klasami
SVR start learning		Wersja regresyjna SVM przewidująca wartości ciągłe z tolerancją błędu
Różnica SVM i SVR start learning		SVM służy do klasyfikacji a SVR do regresji
Model liniowy start learning		Model opisujący zależność liniową pomiędzy cechami a wynikiem
Model wielomianowy start learning		Model umożliwiający opisywanie zależności nieliniowych
Zmiana modelu liniowego na wielomianowy start learning		Zwiększa elastyczność modelu ale grozi overfittingiem
Klasyfikacja start learning		Przypisywanie obiektów do jednej z określonych klas
Regresja start learning		Przewidywanie wartości liczbowych ciągłych
Klasteryzacja start learning		Grupowanie danych bez etykiet na podstawie podobieństwa
Różnica klasyfikacji i klasteryzacji start learning		Klasyfikacja używa etykiet a klasteryzacja nie
K means start learning		Algorytm klasteryzacji dzielący dane na k klastrów minimalizując odległość od centroidów
Wady K means start learning		Wymaga podania liczby klastrów i jest wrażliwy na obserwacje odstające
Klasteryzacja hierarchiczna start learning		Metoda tworząca hierarchię klastrów poprzez ich łączenie lub dzielenie
Klasteryzacja gęstościowa start learning		Metoda oparta na zagęszczeniu punktów danych np DBSCAN
Różnica hierarchicznej i gęstościowej start learning		Hierarchiczna tworzy strukturę drzewa a gęstościowa wykrywa skupiska
Macierz pomyłek start learning		Tabela przedstawiająca poprawne i błędne decyzje klasyfikatora
True Positive start learning		Poprawnie wykryta klasa pozytywna
False Positive start learning		Błędnie wykryta klasa pozytywna
False Negative start learning		Niewykryta klasa pozytywna
True Negative start learning		Poprawnie wykryta klasa negatywna
Accuracy start learning		Stosunek poprawnych predykcji do wszystkich predykcji
Precision start learning		Udział poprawnych predykcji pozytywnych we wszystkich pozytywnych
Recall start learning		Udział wykrytych przypadków pozytywnych
F1 score start learning		Średnia harmoniczna precision i recall
Zastosowanie precision start learning		Stosowana gdy ważne jest ograniczenie fałszywych alarmów
Zastosowanie recall start learning		Stosowana gdy ważne jest wykrycie wszystkich przypadków
Regresja liniowa start learning		Model opisujący liniową zależność pomiędzy zmiennymi
Założenie regresji liniowej start learning		Reszty mają rozkład normalny i stałą wariancję
Regresja odporna start learning		Regresja niewrażliwa na obserwacje odstające
Błąd średniokwadratowy start learning		Miara jakości regresji oparta na średnim kwadracie błędów
Różnica regresji i klasyfikacji start learning		Regresja przewiduje wartości a klasyfikacja klasy

PSI

You must sign in to write a comment

More