A.4 · การเรียนรู้ของเครื่อง

International Baccalaureate · IB Diploma · Computer Science · SL · หัวข้อ 4

4.1

ขอบเขตและเงื่อนไขก่อนเข้าเรียน

SL ที่รองรับ: จุดเน้น การประเมินผลครั้งแรก 2027 เป้าหมาย; PDFทางการแสดงค่า 403; เอกสารสรุปสั้นๆ ที่จัดเก็บไว้ล่วงหน้าคือผลการประเมินสุดท้าย 2026 คู่มือที่เหลือ การประเมิน และข้อกำหนดเชิงปฏิบัติยังคงมีข้อจำกัดตามบันทึกไว้

สิ่งจำเป็น: อ่านปริมาณและหน่วยที่กำหนด ใช้เลขคณิตและเงื่อนไขโมเดลด้านล่าง บทเรียนแต่ละบทพัฒนาวิธีการของตนเองก่อนการถ่ายโอนแบบอิสระ

นี่คือตัวอย่างการสอนดั้งเดิมหรือที่ระบุว่าเป็นเรื่องfictional อย่างชัดเจน ไม่ใช่การวัดค่าจริงหรือการสืบสวนผู้เรียนที่ได้รับการประเมินเสร็จสมบูรณ์

4.2

โมเดลข้อมูลและการเรียนรู้ของเครื่องอย่างรับผิดชอบ

อะไรจะเป็นคำอธิบายสำหรับการสังเกตนี้?

โมเดลสามารถทำคะแนนได้ดีด้วยการเรียนรู้ทางลัดในข้อมูลการฝึกสอน การประเมินผลต้องทดสอบงานที่ต้องการบนตัวอย่างที่ไม่เคยเห็นที่เหมาะสม
เริ่มต้นด้วยการทำนาย ระบุปริมาณหรือลักษณะที่คุณจะเปรียบเทียบ แล้วตัดสินใจว่าหลักฐานอะไรที่จะแยกแยะคำอธิบายสองแบบได้

สร้างโมเดล

ฐานข้อมูลเชิงสัมพันธ์ใช้ตาราง คีย์ และความเชื่อมโยงเพื่อจัดระเบียบข้อมูล การเรียนรู้ของเครื่องใช้ประมาณรูปแบบจากข้อมูล ข้อมูลสำหรับการฝึกและประเมินผลทำหน้าที่แตกต่างกัน
primary key: เซตของแอททริบิวต์ที่ใช้ระบุบันทึกได้อย่างเดียว; data leakage: การใช้ข้อมูลที่ไม่มีอยู่จริงในช่วงเวลาที่กำหนดสำหรับการทำนาย

โมเดลข้อมูลและการเรียนรู้ด้วยเครื่องอย่างรับผิดชอบ: แผนภาพกรณีศึกษาต้นฉบับ

เลือกหลักฐานที่นำมาทดสอบได้

คีย์หลักใช้ระบุบันทึกได้ไม่ซ้ำกัน ส่วนคีย์ภายนอกใช้เชื่อมโยงระหว่างบันทึก ในการทำนาย การรั่วไหลของข้อมูลอาจเปิดเผยข้อมูลที่ไม่มีอยู่ในเวลาตัดสินใจจริง ความแม่นยำเพียงอย่างเดียวอาจบดบังการกระจายตัวของเป้าหมายที่ไม่สมดุล
ใช้ข้อมูลการจองสมมติเพื่อระบุเอนทิตี คุณสมบัติและความสัมพันธ์ สำหรับแบบฝึกหัดการเรียนรู้ ให้ใช้ชุดข้อมูลสาธารณะที่ไม่มีความเสี่ยง แยกข้อมูลฝึกและข้อมูลทดสอบ และอธิบายว่าใครอาจได้รับผลกระทบจากความผิดพลาด ขอบเขตวัตถุประสงค์ 2027 CS ปัจจุบันรอคู่มือที่ได้รับมา

เริ่มจากปริมาณที่ทราบแล้ว

ระบุค่าที่ทราบและหน่วยของมัน เลือกความสัมพันธ์โดยพิจารณาว่าข้อสมมติฐานสอดคล้องกับเคสนี้ แล้วจัดรูปสมการก่อนแทนค่า
ที่ทราบ: ตัวจำแนกประเภททำ 90 คำทำนายถูกต้อง จาก 100 กรณี ความแม่นยำ = ถูกต้อง/รวม×100 = 90% หากมี 90 กรณีเป็นคลาสหนึ่ง การทำนายคลาสนั้นตลอดจะให้ความแม่นยำเท่าเดิมแต่ยังอาจล้มเหลวในทุกกรณีของคลาสส่วนน้อย

ตัวอย่าง:

โมเดลทำ 72 คำทำนายถูกต้อง จาก 80 กรณี หาความแม่นยำเป็นเปอร์เซ็นต์ ใช้ลำดับเดียวกัน: ปริมาณที่ทราบ → โมเดล → ความสัมพันธ์ → แทนค่า → หน่วยและการตีความ

ตรวจสอบข้อสรุปและขอบเขต

ความแม่นยำสูงไม่ใช่หลักฐานของความยุติธรรมหรือความเข้าใจเชิงเหตุและผล คีย์หลักของฐานข้อมูลไม่ใช่แค่ฟิลด์ใดก็ได้ที่ดูสำคัญ
กลับไปที่การสังเกตเดิม อธิบายว่าผลลัพธ์นี้สนับสนุนสิ่งใด มีเงื่อนไขใดบ้าง และเป็นอย่างไรในการทดสอบคำอธิบายอื่นที่ขัดแย้งกัน

เตือน:

ตัวจำแนกประเภทที่มีความแม่นยำ 90% ต้องจัดการทุกคลาสได้ดีเท่ากัน ข้อความนี้ไม่จริง: ความแม่นยำสูงไม่ใช่หลักฐานของความยุติธรรมหรือความเข้าใจเชิงเหตุและผล คีย์หลักของฐานข้อมูลไม่ใช่แค่ฟิลด์ใดก็ได้ที่ดูสำคัญ

จุดสำคัญ:

โมเดลข้อมูลและการเรียนรู้ด้วยเครื่องอย่างรับผิดชอบ: คีย์หลักใช้ระบุบันทึกได้ไม่ซ้ำกัน ส่วนคีย์ภายนอกใช้เชื่อมโยงระหว่างบันทึก ในการทำนาย การรั่วไหลของข้อมูลอาจเปิดเผยข้อมูลที่ไม่มีอยู่ในเวลาตัดสินใจจริง ความแม่นยำเพียงอย่างเดียวอาจบดบังการกระจายตัวของเป้าหมายที่ไม่สมดุล

ลายเส้นที่ดำเนินการได้และขอบเขต

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

ผลลัพธ์ที่คาดหวัง:

0.89 0.8
UNDEFINED

ความแม่นยำหารด้วยคำทำนายที่ถูกต้องด้วยทุกกรณี; การเรียกคืนเชิงบวกหารด้วยจริงบวกด้วยบวกจริง. ไม่มีกรณีบวก การเรียกคืนเป็นค่าไม่กำหนดแทนที่จะเป็นศูนย์. ชุดข้อมูลนี้เป็นเรื่องสมมติ ไม่มีโมเดลที่ฝึกฝนหรือข้อมูลส่วนบุคคล

คำศัพท์ ฝึกฝน