Učitelská verze stránky

Po tomto cvičení student

• chápe důležitost testování modelů na nezávislých testovacích datech, aby se omezilo nebezpečí přeučení;
• má jasnou představu o tom, jaký filtr by chtěl implementovat.

• Varování před přílišnou podobností kódů
• Demonstrace problému přeučení
• Hádanka
• Konzultace problémů a práce na úloze Spam filter
• CÍL: dovést všechny studenty do stavu, v němž proběhnou unit testy ke krokům 2, 3, 4 a příp. 5.

Představme si, že máme učicí se filtr, který funguje následovně. Při trénování si pro všechny trénovací emaily zapamatuje začátek řetězce zprávy o délce N znaků a třídu, do níž daný email patří. Při hodnocení nové zprávy spočítá, s kolika spamy a s kolika hamy se shoduje začátek nové zprávy, a zaklasifikuje zprávu podle majority. Parametr N představující délku fragmentů, které si filtr pamatuje, nám umožňuje filtr ladit.

• Jak se chová míra kvality měřená na trénovacích a testovacích datech v závislosti na změně parametru N?
• Jaká hodnota N je pro tento filtr a daná data optimální? Jaké hledisko vlastně použijeme k posouzení optimality?

Zadání hádanky bude sděleno na cvičení.

Řešení problémů s vašimi filtry a unit testy.

• Neprochází-li vaše kódy přes unit testy ke krokům 2 nebo 3, rozhodně kontaktujte vyučujícího a v diskusi s ním si vyjasněte, kde je chyba a jak je třeba pokračovat!
• Neprochází-li vaše třída TrainingCorpus přes unit test ke kroku 5 a rádi byste vypracovali filtr, který se umí učit, opět kontaktujte vyučujícího!
• V čase zbývajícím do odevzdání byste měli pracovat už jen na vlastním filtru, všechny podpůrné třídy a funkce byste již měli mít hotové! Využijte příležitosti - vyučující je na cvičeních pro vás!

• Krok 6 - vlastní filtr