Projekt

Projekt własny

1) Opracuj własny przykład zagadnienia klasyfikacji. Poszczególne kroki realizacji

projektu opisz w prezentacji PPT.

2) Przygotuj dane uczące na bazie wcześniejszego przykładu.

3) Strojenie hiperparametrów w uczeniu maszynowym to proces optymalizacji

parametrów, które nie są bezpośrednio uczone z danych, ale są ustawiane przed

rozpoczęciem treningu modelu. Hiperparametry mogą znacząco wpłynąć na

wydajność modelu, dlatego ich odpowiedni dobór jest kluczowy.

Wytrenuj model dla różnych wartości hiperparametrów:

● Batch size (rozmiar danych) - dobierz 4 różne rozmiary danych uczących

● Training time (czas uczenia) - dobierz 4 różne czasy uczenia

ML.NET automatycznie dzieli dane wejściowe na dane treningowe i testowe —

domyślnie (nie ma możliwości ustawienia hiperparametru split ratio):

● 80% treningowe

20% testowe

4) Określ wartości dokładności modelu - accuracy (w sekcji Training results) dla

wszystkich kombinacji hiperparametrów. Wyniki przedstaw w formie tabelarycznej.

Określ, który model jest najlepszy biorąc pod uwagę jego dokładność. Spróbuj

odpowiedzieć na pytanie, czy im dłuższy czas uczenia i czym większy rozmiar

zestawu uczącego, tym dokładność modelu jest lepsza.

5) Walidacja modelu w uczeniu maszynowym to proces oceny wydajności modelu na

danych, które nie były używane podczas jego treningu. Celem walidacji jest

zapewnienie, że model będzie dobrze działał na nowych, nieznanych danych.

Przygotuj dane walidacyjne, które nie wchodziły w skład zestawu uczącego. Wybierz

najlepiej wytrenowany model, a następnie na podstawie wyników (Results) spróbuj

określić średnią dokładność modelu na podstawie danych walidacyjnych. Porównaj

wyniki. Odpowiedz na pytanie czy otrzymana predykcja była w każdym przypadku

prawidłowa.