Vytežování Dat Prednáška 11 – Testování modelu: krížová validace ...
Vytežování Dat Prednáška 11 – Testování modelu: krížová validace ...
Vytežování Dat Prednáška 11 – Testování modelu: krížová validace ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Chyba <strong>modelu</strong> pˇri jin´ych trénovacích datech<br />
Kdyˇz znovu spustím učení <strong>modelu</strong>, vznikne mi vˇzdy naprosto<br />
stejn´y model?<br />
Teˇd uˇz vím, jak moc je ˇspatn´y jeden model. Ale co kdyˇz mám<br />
sm˚ulu a tento model se naučil v´yrazně h˚uˇre/lépe neˇz jin´y model<br />
vytvoˇren´y stejnou metodou.<br />
Vím jak moc je dobrá jedna BP neuronová síˇt, ale jak moc jsou<br />
dobré vˇsechny BP neuronové sítě? A jsou lepˇsí neˇz naivní<br />
bayesovská síˇt?<br />
Zase parametry chyby jedné realizace <strong>modelu</strong> jsou jen náhodn´ymi<br />
proměnn´ymi vˇsech model˚u naučen´ych na tato data.<br />
ČVUT (FEL) <strong>Testování</strong> model˚u 3.12.20<strong>11</strong> <strong>11</strong> / 31
![RANSAC [Fischler, Bolles '81]](https://img.yumpu.com/17549294/1/190x143/ransac-fischler-bolles-81.jpg?quality=85)
Change language