Data models and responsible machine learning
הוצג| English | משמעות |
|---|---|
| primary key/ˈpraɪməri kiː/ | מפתח חיצוני |
| data leakage/ˈdeɪtə ˈliːkɪdʒ/ | אלגוריתם |
מה יכול להסביר תצפית זו?
- דגם יכול לצבור ציון גבוה על ידי למידת קיצור דרך בנתוני האימון. ההערכה חייבת לבדוק את המשימה הרצונית בדוגמאות חדשות ולא נראות מתאימות.
- התחל בחזית. ציין את הכמותות או התכונות שת срав, ואז החלט איזה עדות יכולה להבדיל בין שתי הסברות.
בניית המודל
- מסד נתונים יחסי משתמש בטבלאות, מפתחות וקשרים כדי לארגן נתונים. למידת מכונה מעריכה דפוסים מהנתונים. נתוני אימוץ והערכה משמשים תפקידים שונים.
- מפתח ראשי: קבוע מאפיינים המזהה באופן ייחודי רשומה; דליפת נתונים: שימוש במידע שאינו היה זמין בזמן החיזוי המתוכנן.
Why keep test data separate from training data?
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Test data must be unseen during training, or the score measures memorisation rather than generalization. No split can guarantee causation or perfect predictions; it only makes the evaluation honest.
Match each technical term to its precise meaning.
Difficulty 2/5 · 140 coins + a small bonus on first completion today
Use the definitions to distinguish related quantities and processes.
בחר עדים שיכולים לבדוק אותו
- מפתח ראשי מזהה באופן ייחודי רשומה; מפתח זר מקשר רשומות. בחיזוי, דליפה עלולה לחשוף מידע שאינו זמין בזמן קבלת החלטות אמיתי. דיוק בלבד עלול להסתיר חלוקת מטרה מאוזנת.
- השתמש ברשומות הזמנה בדיוניות כדי לזהותloatities, מאפיינים וקשרים. לתרגיל לימודי, השתמש במאגר נתונים ציבורי לא רגיש, הפרד נתוני אימוץ ובדיקה, ותיאור מי עלול להושפע שגיאות. היקף המטרה הנוכחית 2027 CS מחכה למדריך הנרכש.
Which two habits make the investigation or model in this case more defensible?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
Stating the conditions and assumptions lets others repeat the work exactly, and recording the supporting evidence lets them check the conclusion. Hiding disagreeing results removes the evidence that could challenge a wrong conclusion, and one measurement can never establish a wider claim.
עבודה על בסיס גודלים ידועים
- ציין את הערכים הידועים ואת יחידות המידה שלהם. בחר בקשר מכיוון שההנחות שלו מתאימות למקרה זה, ולאחר מכן סדר מחדש לפני ההצבה.
- ידוע: מחלק עושה 90 חיזויים נכונים מתוך 100 מקרים. דיוק = נכון/סה"כ×100 = 90%. אם 90 מקרים שייכים לכיתה אחת, חיזוי מתמיד של כיתה זו נותן אותו דיוק ועדיין יכול לכשל בכל מקרה של כיתת מיעוט.
מודל מבצע 72 חיזויים נכונים מתוך 80. מצא את אחוז הדיוק. השתמש באותה רצף: כמות ידועה → מודל → קשר → הצבה → יחידה ופרשנות.
A model makes 72 correct predictions out of 80. Find accuracy percentage.
Difficulty 2/5 · 140 coins + a small bonus on first completion today
The result is 90 %. Known: 72 correct out of 80. Use accuracy = correct / total x 100. Accuracy = 72/80 x 100 = 90%. With an imbalanced set, this figure can hide failure on the minority class.
בדוק את המסקנה ואת הגבולות שלה
- דיוק גבוה אינו עדות לשוויון או להבנה סיבתית. מפתח ראשי במסד נתונים אינו פשוט השדה שנראה חשוב.
- חזור לתצפית המקורית. הסבר מה התוצאה תומכת, אילו תנאים היא מניחה, ודרך אחת לבדוק הסבר מתחרה.
מסווג עם 90% דיוק חייב לטפל בכל מחלקה באותו טוב. טענה זו שגויה: אם 90 מ-100 מקרים הם מחלקה A, מענה תמיד ב-A משיג 90% בעוד הכושל בכל מחלקה אחרת. הדיוק יש לקרוא לצד תוצאות לפי מחלקה ואיזון המחלקות.
מודלי נתונים והתחלת מכונה אחראית: מפתח ראשי מזהה באופן ייחודי רשומה; מפתח זר מקשר רשומות. בחיזוי, דליפה יכולה לחשוף מידע שלא היה זמין בזמן ההחלטה האמיתי. דיוק בלבד עלול להסתיר חלוקה לא מאוזנת של יעד.
A classifier with 90% accuracy must treat every class equally well.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
If 90 of 100 cases are class A, always answering A scores 90% while failing every other class. Accuracy must be read alongside per-class results and the class balance.
An attribute set uniquely identifying a record: write the technical term.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
primary key means An attribute set uniquely identifying a record.