Речь идет о размере группы; это становится особенно важным в зависимости от характера обучения – гибридное оно или чисто цифровое, требует ли много отзывов и рекомендаций, или даже если они должны сотрудничать друг с другом. Все эти области зависят от размера группы.

2. Кто они?

Что касается того, какие должности / роли они занимают; обладая этими знаниями, вы сможете легче работать с управлением ожиданиями, как с вашей собственной точки зрения, так и с точки зрения участвующей группы.

3. Каково их отношение к цифровому обучению и их комфорт

Это чрезвычайно важно учитывать, так как это позволит вам узнать, что вам нужно сделать в процессе обучения, помимо фактического содержания обучения. Независимо от того, насколько хорош ваш контент, если ваши участники неуверенно относятся к окружающей среде или имеют предвзятые представления о ней, это станет препятствием в процессе обучения.

4. Сколько времени у них будет на обучение

Они вообще знают? Они сами за это несут ответственность? Сколько времени они хотят, чтобы провел на ? Время всегда является ключевым фактором для участника в любой учебной ситуации, и поэтому вы должны учитывать его применительно к вашей целевой группе.Делайте дизайн с уважением к времени, вложенному участниками.

5. Тема тренинга: близка ли она к тому, с чем они работают в повседневной жизни?

Может показаться очевидным, что обучение определенному навыку или продукту, например, будет тесно связано с повседневной работой участников, но это не всегда так. Поэтому убедитесь, что вы хорошо это понимаете, прежде чем включать в свое обучение ссылки, примеры и упражнения, которые относятся к повседневной рабочей ситуации учащихся.Это не удастся, если вы ошиблись. Ключом к передаче обучения является взаимосвязь между полученными новыми знаниями / навыками и их повседневным использованием.

6. Какие предварительные знания участники могут иметь о предметной области, рассматриваемой на тренинге

В принципе, на каком уровне они находятся по отношению к рассматриваемой теме (-ам)? Все мы в то или иное время тренировались, когда мы либо чувствуем себя выше головы, либо нам скучно, потому что содержание было слишком сложным или слишком простым для нас.Знание предварительных знаний ваших участников дает вам представление об уровне, на котором вам нужно создавать свой контент, а также о количестве уровней, на которых вы должны его предложить, поскольку в группе вполне может быть широко распространено то, что они уже знают, и не знаю предметной области. Встречи с учащимися на их уровне, как известно, необходимы для мотивации и взаимодействия.

7. Насколько хорошо участники знают друг друга

Этот последний, но не менее важный фактор – тот, о котором я редко слышу упоминание или рассмотрение, особенно при разработке цифрового или гибридного обучения; тем не менее, это настолько важный элемент при проектировании сотрудничества и социокультурного обучения, что, конечно, желателен в любой учебной ситуации.

Последний аспект, с которым я столкнулся, хотя и не настолько распространенный, чтобы включать его в приведенный выше список, – это несоответствие того, какой тип обучения был запрошен участниками, и для чего вас попросили / наняли для разработки и , в некоторых случаях также доставляют.

Есть много способов, которыми вы можете собрать эту информацию о вашей целевой группе, и какой метод вы используете, во многом зависит от ситуации. Я всегда нахожу опросы / анкеты полезными, а с помощью тщательно составленных вопросов вы можете получить ответы на вышеупомянутые.Возможно, вы уже знаете о некоторых из этих вещей. Независимо от того, какой метод вы выберете, чтобы получить это важное понимание ваших участников, важно, чтобы вы нашли время, чтобы собрать его и использовать надлежащим образом.

Как создать тренировочную цель в онлайн-сервисе Polar Flow?

Применимо к: A300, A370, Grit X, Ignite, Ignite 2, M200, M400, M430, M460, M600, онлайн-сервис Polar Flow, Unite, V800, Vantage M, Vantage M2, Vantage V, Vantage V Titan, Vantage V2

Какой бы продукт Polar вы ни использовали с онлайн-сервисом Polar Flow, вы можете создавать подробные тренировочные цели для онлайн-сервиса, чтобы помочь вам спланировать тренировку.Цели отображаются в вашем дневнике в Polar Flow. Вы также можете добавить цели в список избранного и использовать их в качестве шаблонов при создании новых.

Вы можете синхронизировать цели с устройством Polar с помощью программного обеспечения FlowSync или приложения Flow. Когда вы начинаете тренировку, ваши часы предложат тренировочную цель, которую вы запланировали на день. Во время тренировки вы можете легко следовать указаниям на устройстве Polar.

Для создания тренировочной цели в онлайн-сервисе Polar Flow:

1. Перейдите к Дневник и щелкните Добавить > Тренировочная цель .

   
   

2. В поле Добавить тренировочную цель выберите Sport , введите Имя цели (максимум 45 цифр), Дата и Время начала и любые Notes (необязательно), которые вы хотите добавить.

Затем выберите тип тренировочной цели из следующего:

Цель продолжительности: Выберите продолжительность цели в часах и минутах.

Расстояние до цели: Выберите расстояние до цели в километрах или милях.

Целевое значение калорий: Выберите целевое значение в зависимости от того, сколько калорий вы хотите сжечь во время тренировки.

Race Pace target: Испытайте себя и постарайтесь достичь заданного времени на заданной дистанции – например, пробежать 10 км за 45 минут – или стремитесь сохранить постоянный темп. Введите два значения, и вы получите третье значение автоматически. Обратите внимание, что Race Pace можно синхронизировать только с Grit X, V800, Vantage M, Vantage M2, Vantage V и Vantage V2, но не с A300, A370, Ignite, Ignite 2, M200, M400, M430, M460, M600 или Unite.

Поэтапная цель: Вы можете разделить тренировку на фазы и установить различную продолжительность и интенсивность для каждой из них. Это, например, для создание интервальной тренировки и добавление к ней соответствующих фаз разминки и заминки.

Длительность цели

1. Выберите Продолжительность .
2. Введите продолжительность.
3. Нажмите Добавить в избранное , чтобы добавить цель в список избранного, если хотите.
4. Щелкните Добавить в Дневник , чтобы добавить цель в свой Дневник .
5. Синхронизируйте часы с помощью программного обеспечения FlowSync или приложения Flow.

Расстояние до цели

1. Выберите Расстояние .
2. Введите расстояние.
3. Нажмите Добавить в избранное , чтобы добавить цель в список избранного, если хотите.
4. Щелкните Добавить в Дневник , чтобы добавить цель в свой Дневник .
5. Синхронизируйте часы с помощью программного обеспечения FlowSync или приложения Flow.

Целевое значение калорий

1. Выберите калорий .
2. Введите количество калорий.
3. Нажмите Добавить в избранное , чтобы добавить цель в список избранного, если хотите.
4. Щелкните Добавить в Дневник , чтобы добавить цель в свой Дневник .
5. Синхронизируйте часы с помощью программного обеспечения FlowSync или приложения Flow.

Целевой уровень гоночного темпа

1. Выберите Race Pace .
2. Введите два из следующих значений: Duration , Distance или Race Pace . Третий вы получите автоматически.
3. Нажмите Добавить в избранное , чтобы добавить цель в список избранного, если хотите.
4. Щелкните Добавить в Дневник , чтобы добавить цель в свой Дневник .
5. Синхронизируйте часы с помощью программного обеспечения FlowSync или приложения Flow.

Обратите внимание, что Race Pace можно синхронизировать только с Grit X, V800, Vantage M, Vantage M2, Vantage V и Vantage V2 (не с A300, A360, A370, Ignite, M200, M400, M430, M460, M600).

Поэтапная цель

1. Выберите Phased .
2. Добавьте фазы к вашей цели. Щелкните Duration , чтобы добавить фазу на основе продолжительности, или щелкните Distance , чтобы добавить фазу на основе расстояния. Выберите Name и Duration / Distance для каждой фазы.
3. Установите флажок Начать следующую фазу автоматически для автоматической смены фаз. Если этот флажок не установлен, вам придется менять фазы вручную.
4. Выберите интенсивность фазы на основе пульса , скорости или мощности .

   
   

5. Если вы хотите повторить фазу, выберите + Повторить фазы и перетащите фазы, которые вы хотите повторить, в раздел «Повтор».

   
   

6. Нажмите «Добавить в избранное», чтобы добавить цель в список избранного.
7. Щелкните Добавить в Дневник , чтобы добавить цель в свой Дневник .
8. Синхронизируйте часы с помощью программного обеспечения FlowSync или приложения Flow.

С Grit X / Vantage V / Vantage V2 мощность бега с запястья рассчитывается без каких-либо внешних датчиков. Для Vantage M / Vantage M2 требуется внешний датчик мощности для измерения рабочей мощности.Можно измерить мощность при езде на велосипеде, если вы соедините устройство Polar с внешним датчиком мощности при циклическом режиме со следующими устройствами Polar: Grit X, M460, Vantage M, Vantage M2, Vantage V, Vantage V2, V800 и V650.

ПРИМЕР ПОЭТАПНОЙ ЦЕЛИ

Тренировка начинается с 20-минутной разминки. Затем фазы 2 и 3 повторяются восемь раз. После этого фазы 4 и 5 повторяются трижды. Сеанс завершается 10-минутным замиранием.

Создание цели на основе любимой тренировочной цели

Если вы создали цель и добавили ее в избранное, вы можете использовать ее в качестве шаблона для аналогичных целей.Это упрощает создание тренировочной цели. Вам не нужно создавать, например, сложную поэтапную тренировочную цель каждый раз с нуля.

Чтобы использовать существующий элемент избранного в качестве шаблона для тренировочной цели, выполните следующие действия:

1. Наведите указатель мыши на дату в дневнике .
2. Нажмите + Добавить > Избранная цель , а затем выберите цель из списка Избранное .

   
   

3. Избранное добавлено в ваш дневник в качестве запланированной цели на день.По умолчанию запланированное время для тренировочной цели – 18.00 / 18.00.
4. Щелкните цель в своем дневнике и измените ее по своему вкусу. Редактирование цели в этом представлении не изменит исходную избранную цель.
5. Щелкните Сохранить, чтобы обновить изменения.

Вы можете редактировать свои любимые тренировочные цели и создавать новые также на странице «Избранное». Щелкните в верхнем меню, чтобы перейти на страницу избранного.

Статьи по теме:

Правило восьмидесяти пяти процентов для оптимального обучения

Оптимальная частота ошибок для обучения

Чтобы вычислить оптимальную сложность обучения, нам нужно найти значение Δ, которое максимизирует градиент обучения, ∂ ER / ∂β .Из уравнения. (3) у нас есть

$$ \ frac {{\ partial {\ mathrm {ER}}}} {{\ partial \ beta}} = \ Delta p (- \ beta \ Delta) $$

(24)

Отсюда оптимальная сложность Δ ^* может быть найдена путем вычисления производной градиента по Δ, то есть

$$ \ frac {\ partial} {{\ partial \ Delta}} \ frac {{\ partial {\ mathrm {ER}}}} {{\ partial \ beta}} = – \ frac {\ partial} {{\ partial \ Delta}} \ left ({\ Delta p (- \ beta \ Delta )} \ right) \\ = – p (- \ beta \ Delta) + \ beta \ Delta \ left.\ ast) $$

(26)

, где p ′ ( x ) обозначает производную от p ( x ) по отношению к x . Поскольку β и Δ ^* только когда-либо появляются вместе в этих выражениях, уравнение. Из (26) следует, что β Δ ^* – постоянная величина. Таким образом, в то время как оптимальная сложность Δ ^* изменяется в зависимости от точности (рис. 1c), оптимальная частота ошибок обучения ER ^* не изменяется (рис.\ ast = \ frac {1} {\ pi} \ arctan (- 1) + \ frac {1} {2} = 0,25 \ end {array} $$

(31)

Оптимальное обучение с эндогенным шумом

Вышеупомянутый анализ оптимальной точности обучения также применяется в случае, когда решающая переменная, h , искажена эндогенным неснижаемым шумом, ϵ , в дополнение к шуму представления, n , которое можно уменьшить путем обучения; т.е.

$$ h = \ Delta + n + \ epsilon $$

(32)

В этом случае мы можем разделить общую точность, β, , на два компонента: один основан на неопределенности представления, которую можно уменьшить, β _n , а другой на основе эндогенной неопределенности, которая не может, β _ϵ .2}} $$

(33)

В более общем смысле, точность связана с некоторой функцией, G , например, β = G ( β _n , β _ϵ ). Поскольку только n может быть уменьшено путем обучения, имеет смысл выполнить стохастический градиентный спуск на β _n , так что правило обучения должно быть

$$ \ frac {{d \ beta _n}} { {dt}} = – \ eta \ frac {{\ partial {\ mathrm {ER}}}} {{\ partial \ beta _n}} \\ = – \ eta \ frac {{\ partial {\ mathrm {ER} }}} {{\ partial \ beta}} \ frac {{\ partial \ beta}} {{\ partial \ beta _n}} $$

(34)

Обратите внимание, что ∂β / ∂β _n не зависит от Δ, поэтому максимальная скорость обучения w.r.t. Δ означает максимизацию ∂ ER / ∂β , как и раньше. Это означает, что оптимальная сложность обучения будет одинаковой, например, 85% для гауссовского шума, независимо от того, присутствует ли эндогенный шум или нет.

Динамика обучения

Для расчета динамики обучения нам необходимо интегрировать уравнение. (7) с течением времени. Это, конечно, зависит от градиента обучения, ∂ ER / ∂β , который изменяется в зависимости от шума и от того, фиксируется ли частота ошибок или истинная переменная решения во время обучения.2 + 2 \ eta K _ {\ mathrm {f}} (t – t_0)} $$

(38)

, где t ₀ – начальный момент времени, а β ₀ – начальное значение β . Таким образом, для фиксированной частоты ошибок точность растет как квадратный корень из времени со скоростью, определяемой параметром K _f , который зависит как от частоты ошибок обучения, так и от распределения шума. Для оптимальной частоты ошибок мы имеем K _f = p (-1).2}} {2}} \ right) $$

(42)

, что означает, что в течение длительного времени β растет медленнее, чем \ (\ sqrt {\ log t} \), что экспоненциально медленнее, чем случай с фиксированной частотой ошибок. 2 (t – t_0)} \ right) $$

(43)

Здесь снова показана логарифмическая зависимость от t , что указывает на то, что обучение происходит намного медленнее при фиксированной сложности.3 + \ beta _0 + \ frac {{{\ mathrm {\ Delta}} _ {\ mathrm {f}}}} {\ pi} (t – t_0) $$

(44)

Для длительного времени обучения это означает, что β растет как кубический корень из t . Таким образом, в случае Коши, хотя скорость обучения все еще самая высокая при оптимальной сложности, улучшение не такое резкое, как в других случаях.

Приложение к персептрону

Для реализации примера персептрона мы предположили, что истинные метки t были сгенерированы «персептроном учителя» ³⁸ с нормализованным вектором веса, e .Обучение было количественно оценено путем разложения изученных весов w на два компонента: один пропорционален e , а второй ортогонален e , то есть

$$ {\ mathbf {w}} = | {\ mathbf {w }} | \ left ({{\ mathbf {e}} \ cos \ theta + {\ mathbf {e}} _ \ bot \ sin \ theta} \ right) $$

(45)

, где θ – угол между w и e , а e _⊥ – единичный вектор, перпендикулярный e в плоскости, определяемой e и w .Это позволяет нам записать переменную решения h в терминах компонентов сигнала и шума как

$$ h = | {\ mathbf {w}} | \ left ({({\ mathbf {e}} \ cdot {\ mathbf {x}}) \ cos \ theta + ({\ mathbf {e}} _ \ bot \ cdot {\ mathbf {x}}) \ sin \ theta} \ right) \\ = \ underbrace {| {\ mathbf {w}} | (2t – 1) {\ mathrm {\ Delta}} \ cos \ theta} _ {{\ mathrm {signal}}} + \ underbrace {| {\ mathbf {w}} | ({\ mathbf {e}} _ \ bot \ cdot {\ mathbf {x}}) \ sin \ theta} _ {{\ mathrm {noise}}} $$

(46)

где сложность Δ = | e ⋅ x | – это расстояние между x и границей решения, а член (2 t – 1) просто контролирует, на какой стороне границы x находится.Это означает, что точность β пропорциональна детской кроватке θ , с константой пропорциональности, определяемой размерностью x .

В случае, когда наблюдения x выбираются из распределений, которые подчиняются центральной предельной теореме, тогда шумовой член является приблизительно гауссовым, что означает, что оптимальная частота ошибок для обучения персептрона ER ^* = 15,87%. {- 1} ({\ mathrm {ER}}) \ lambda \ tan \ theta $. $

(47)

, который гарантирует, что частота ошибок обучения ограничена на уровне ER.Степень обучения фиксировалась точностью β .

Приложение к двухслойной нейронной сети

Для реализации двухуровневой сети мы построили сигмоидальную нейронную сеть с одним скрытым слоем (из 50 нейронов) и одним выходным нейроном. Веса между входным слоем и скрытым слоем, а также между скрытым слоем и выходным слоем были обучены с использованием стандартного алгоритма обратного распространения.

Чтобы ограничить частоту ошибок во время обучения, мы сначала должны были оценить изображения в соответствии с их «сложностью».С этой целью мы обучили сеть учителей с той же базовой архитектурой (т. Е. 50 скрытых модулей и 1 выходной модуль) до тех пор, пока ее производительность не стала почти идеальной (частота ошибок обучения = 99,6% для задачи на четность и 99,4% для задачи на величину; частота ошибок теста = 97% для задачи величины и 95,6% для задачи на четность). {{\ mathrm {av}}}} \ right) $$

(48)

, где D – размер шага (= 1), A ^target – целевая точность обучения и A ^av – скользящее среднее значение точности по последним 50 испытаниям.

В каждом испытании мы выбрали «подходящий» стимул, значение которого ч ^{учитель} было ближе всего к цели ч . Чтобы гарантировать, что данный стимул не выбирался слишком часто во время тренировки, стимулы могли быть выбраны только в том случае, если они не использовались в последних 50 испытаниях.

Каждое начальное состояние сети было обучено либо задаче четности, либо величине с фиксированной частотой ошибок обучения от 5 до 30% с шагом 5%. По окончании обучения работоспособность оценивалась по всему набору тестов.Этот процесс повторялся 1000 раз, каждый раз с новым набором начальных случайных весов.

Приложение к модели Law and Gold

Модель перцептивного обучения следует изложения в Law and Gold ¹¹ . Чтобы облегчить сравнение с этой статьей, мы сохраняем почти все их обозначения, за тремя исключениями – их параметр β , который мы переименовали в B , чтобы избежать путаницы с точностью, их параметр ϕ _i , который мы переименовываем его в F _i , чтобы избежать путаницы с параметрами учащегося и его параметром скорости обучения α , который мы записываем как η .2}}} \ справа) $$

(50)

, где σ _θ (= 30 градусов) – ширина кривой настройки, которая считается одинаковой для всех нейронов.

Предполагалось, что нейронная активность в каждом испытании будет шумно распределена вокруг этой средней скорости возбуждения. В частности, активность каждого нейрона x _i задается выпрямленной (чтобы гарантировать, что x _i > 0) выборкой из гауссиана со средним значением м _i и дисперсия v _i

где F _i – фактор Фано нейрона.0 \) и 0, чтобы минимальная средняя скорость стрельбы никогда не опускалась ниже нуля. Каждое испытание определялось тремя параметрами задачи: T = 1 с, Θ = ± 90 градусов и COH , который был скорректирован в зависимости от производительности для достижения фиксированной частоты ошибок во время обучения (см. Ниже). Как и в исходной статье, количество нейронов было установлено равным 7200, а скорость обучения η составляла 10 ⁻⁷ .

Прогнозируемое вознаграждение E [ r ] было вычислено в соответствии с уравнением.(20). В соответствии с Лоу и Голдом (дополнительный рис. 2 в ссылке ¹¹ ), константа пропорциональности B была вычислена с использованием логистической регрессии точности и абсолютного значения переменной решения, | ч |, из последних испытаний L , где L = мин (300, т ).

В дополнение к правилу обновления весов (уравнение (21)) веса нормализовались после каждого обновления, чтобы сохранить сумму квадратов весов, \ (\ mathop {\ sum} \ limits_i {w_i ^ 2} = w_ { \ mathrm {amp}} \) константа (= 0.02). Хотя эта нормализация имеет лишь небольшой общий эффект (см. Дополнительные материалы в ссылке ¹¹ ), мы воспроизводим эту нормализацию веса здесь для согласования с исходной моделью.

Для инициализации сети первые 50 испытаний моделирования имели фиксированную когерентность COH = 0,9. После этого периода инициализации согласованность была скорректирована в соответствии с разницей между целевой точностью, A _{, целью} , и фактической точностью в последних испытаниях L , A _L , где L = мин (300, т ).В частности, согласованность в испытании t была установлена ​​как

$$ {\ mathrm {COH}} _ t = \ frac {1} {{1 + \ exp (- \ Gamma _t)}} $$

(52)

, где Γ _t было скорректировано в соответствии с

$$ \ Gamma _ {t + 1} = \ Gamma _t + \ mathrm {d} \ Gamma (A _ {{\ mathrm {target}}} – A_L ) $$

(53)

и dΓ равнялось 0,1.

Чтобы оценить параметр точности после обучения, β , мы смоделировали поведение обученной сети на наборе из 20 логарифмически разнесенных когерентностей между 10 ⁻³ и 1.Поведение при каждой когерентности моделировалось 100 раз, и на этом этапе тестирования обучение было отключено. Параметр точности, β , оценивался с помощью логистической регрессии между точностью каждого испытания (0 или 1) и согласованностью; т.е.

$$ {\ mathrm {ACC}} \ sim \ frac {1} {{1 + \ exp (- \ beta \ times {\ mathrm {COH}})}} $$

(54)

Задачи SMART – Министерство здравоохранения Миннесоты

Особый
Измеряемый
Ограниченный по времени
Достижимый
Соответствующий
Различные способы написания целей SMART
Дополнительные примеры целей SMART-er
Дополнительные ресурсы
Курсы и учебные занятия

Надлежащая практика общественного здравоохранения требует четких целей для отслеживания прогресса в достижении целей и результатов.Многие программы и услуги финансируются за счет грантов, которые требуют разработки, реализации и выполнения целей, чтобы доказать успешность продолжения финансирования. Организации часто борются за создание целей, которые точно измеряют прогресс в достижении цели и значимы для других членов команды или заинтересованных сторон.

УМНАЯ цель – это КОНКРЕТНАЯ, ИЗМЕРИМАЯ, ДОСТИЖИМАЯ, СООТВЕТСТВУЮЩАЯ И ВРЕМЕННАЯ цель.

Зачем нужны объективы SMART?

• Обеспечить структурированный подход к разработке и составлению рабочего плана.
• Для систематического отслеживания прогресса в достижении цели
• Чтобы подготовить почву для измерения производительности и выявления возможностей для улучшения
• Кратко сообщить заинтересованным сторонам о предполагаемом воздействии и текущем прогрессе
• К конкретно описывает, как будут достигнуты цели

Выделение времени и ресурсов на раннем этапе намеренного написания целей SMART – это вложение в будущее плана, программы или услуги.Начав с целей SMART, программа или план могут систематически и осмысленно измерять прогресс, показывать достижения и выявлять возможности для улучшения.

Как писать цели SMART

Чтобы понять, как части целей SMART сочетаются друг с другом, порядок перечисленных ниже компонентов SMART будет изменен – ​​ SMTRA . Это связано с тем, что конкретные, измеримые и привязанные ко времени части четко видны в стандартном письменном формате для целей.«Достижимое» и «Актуальное» более абстрактны и требуют размышлений. Каждая из этих частей будет включать пример цели, которая будет переписана в SMART.

SMART должны:

• Включает все компоненты SMART
• Относится к одному результату
• Будьте четко написаны

Специальный

Цели должны быть четко определены и понятны другим членам команды и заинтересованным сторонам, которые также понимают программу или план.

Учтите эти подсказки:

Что :

• Что именно вы будете делать?
• Что это за действие?
• На что вы собираетесь повлиять?

Кто :

• Кто несет ответственность за проведение акции?
• На что вы собираетесь повлиять или на кого рассчитана ваша целевая группа?

Обратите внимание, что не все эти вопросы применимы к каждой цели.

Пример цели

Измеримый

Это включает в себя выбор того, что будет измеряться, чтобы показать улучшение, влияние или успех. Могут быть существующие меры и цели, которые требуются для конкретной программы или гранта. Постарайтесь выбрать значимую меру. Самое простое для измерения может оказаться не самым значимым.

Учтите эти подсказки:

• Насколько и в каком направлении произойдут изменения?
• Какие данные будут использованы для подтверждения достижения цели?
• Откуда берутся эти данные?
• Есть ли альтернативная или косвенная мера, которую можно использовать, если эта цель не может быть измерена напрямую, или есть другая мера, которую было бы более целесообразно использовать вместо этого?

Ключевые термины

Мероприятие : Продемонстрируйте успех или влияние с течением времени.Это число, процент или некоторая стандартная единица, выражающая ваши успехи в достижении цели или результата.

Цель : желаемый уровень производительности, который вы хотите видеть, что означает успех.

Пример цели

Привязанные ко времени

Цели должны быть достижимы в течение определенного периода времени, причем не так быстро, чтобы помешать успеху, или так далеко, чтобы поощрять прокрастинацию.

Учтите эти подсказки:

• Когда будет достигнута эта цель?
• Реалистичны ли эти сроки?
• Это должно быть ближе или дальше в будущем?

Пример цели

достижимо

Цели должны быть в пределах досягаемости для вашей команды или программы с учетом имеющихся ресурсов, знаний и времени.

Учтите эти подсказки:

• Как можно достичь этой цели?
• Можно ли достичь этой цели с учетом текущих временных рамок или условий? Следует увеличивать или уменьшать масштаб?
• Какие ресурсы помогут нам достичь этой цели? Какие ограничения или ограничения стоят на нашем пути?

Пример цели

Соответствующий

Цели должны соответствовать соответствующей цели. Подумайте, насколько успешное выполнение задачи будет иметь отношение к ее достижению.Подумайте, связана ли цель с более крупной программой, планом или миссией, видением и целями организации. Также следует учитывать, является ли цель актуальной или важной для команды и других заинтересованных сторон. Цели, связанные с миссией и руководящими принципами вашей организации, с большей вероятностью будут одобрены руководством вашей организации; цели, поддерживаемые другими заинтересованными сторонами, приведут к большему уровню поддержки.

Учтите эти подсказки:

• Приведет ли эта цель к достижению целей этой организации?
• Кажется, стоит измерить эту цель? Кажется ли разумным измерить эту цель?

Различные способы написания целей SMART

Есть несколько подходов и способов объяснить, как писать цели SMART.Вот еще несколько структур предложений для целей:

[ Who ] будет делать [ what ], что приведет к [ measure ] на [ при ].

К [, когда ], [ who ] выполнит [ what ], в результате получится [ measure ].

По [, когда ], [ мера – включает кто и что ].

[ Измерение – включает кто и что ] по [ когда ].

7 простых шагов для написания целевых учебных целей

4 минуты чтения

Кристофер Паппас, основатель индустрии электронного обучения

Опубликовано 28 мая 2019 г.

Целью реализации стратегии онлайн-обучения является достижение целей обучения и практические знания. Можете ли вы написать целевые учебные цели, которые помогут вам определить, действительно ли ваши корпоративные ученики извлекли пользу из вашего онлайн-курса обучения?

Пошаговое руководство по написанию учебных целей

Учебные цели – это удивительно простой способ доказать эффективность ваших онлайн-курсов.Загвоздка в том, что вы должны четко определить цели обучения как для ваших сотрудников, так и для вашей организации в целом, прежде чем создавать свои учебные программы. И чтобы они были эффективными, они должны быть прямыми. Вот 7 шагов по созданию целевых учебных целей.

Шаг 1. Проведение анализа потребностей в обучении

Целью учебной задачи является устранение пробелов, которые снижают продуктивность рабочего места или наносят ущерб вашей прибыли. Например, сотрудники не могут выполнить рабочую задачу, что мешает им соответствовать ожиданиям клиентов.Таким образом, вы должны провести анализ потребностей в обучении, чтобы найти корень проблемы и сформулировать соответствующие цели обучения. Это может включать наблюдения, отчеты LMS и онлайн-оценки, которые выявляют проблемы и позволяют разработать более сжатые утверждения.

Шаг 2. Получите информацию от сотрудников

Сотрудники могут пролить свет на те области ваших программ онлайн-обучения, которые могут быть неэффективными. Это позволяет вам переоценить объективные утверждения, относящиеся к этим слабым местам. Еще одним преимуществом сбора отзывов сотрудников является то, что вы можете обнаружить личные области для улучшения, которые ранее не были раскрыты.Например, корпоративным учащимся может не хватать определенных навыков, необходимых для выполнения задачи. Чтобы решить эту проблему, вы можете разработать вторичные цели обучения, которые будут сосредоточены на «строительных блоках» выполнения задачи.

Шаг 3. Различение целей обучения и задач обучения

В повседневном языке слова «цель», «цель» и «цель» используются как синонимы. Однако в условиях обучения, таких как онлайн-тренинги, есть некоторые незначительные различия. Цели более широкие и общие.Ваша цель онлайн-обучения может заключаться в «повышении эффективности на рабочем месте». Цели обучения должны быть более подробными. В противном случае невозможно подтвердить, что вы их достигли. Также важно отметить, что вы можете разбить более подробные учебные цели на достижимые краткосрочные цели. Это улучшает мотивацию учащихся и позволяет им отслеживать свой прогресс на этом пути.

Шаг 4: Выберите уровень знаний

Таксономия Блума была разработана в 1956 году и применима до сих пор.Бенджамин Блум, педагог-психолог, создавший эту систему, разделил обучение на шесть этапов.

• Знание: вспоминать, запоминать, читать
• Понимание: понимать, интерпретировать, объяснять, сравнивать, переводить
• Применение: использовать в практическом сценарии, демонстрировать
• Анализ: более глубокое исследование, чтобы узнать, «как» и «почему»
• Синтез: более глубокое применение для выявления закономерностей и разработки новых идей
• Оценка: тематические исследования и обзор

Просмотрите свои онлайн-учебные материалы и определите, к какому этапу подпадает каждый модуль.Это поможет вам выбрать правильный язык для ваших учебных целей.

Шаг 5: Назовите свою концепцию

Говорят, имена имеют силу. В кабинете врача вы должны описать врачу свое состояние, используя существительные, а не прилагательные. Это упрощает диагностику и устранение проблем. Точно так же вам нужно название для ваших учебных целей. Начни с существительного. Просмотрите свои онлайн-учебные материалы и укажите основную тему. Примеры включают правила, язык, грамматику, офисные политики и так далее.Определите, что именно вы хотите, чтобы ваши корпоративные ученики выучили, и назовите это, используя два или три существительных.

Шаг 6: Выберите измеримый глагол

Выбранный вами глагол должен быть достаточно конкретным, чтобы судить и оценивать. Например, нельзя быть уверенным, что кто-то «понял» концепцию. Но вы можете четко сказать, могут ли они «перечислить / идентифицировать / проиллюстрировать / вычислить» данную концепцию. Выбирайте глаголы, которые поддаются измерению. Этап обучения поможет вам выбрать глагол. Вы также должны убедиться, что глагол понятен корпоративным ученикам.Избегайте технического жаргона, который сотрудники не могут полностью понять.

Шаг 7. Проверка жизнеспособности

Написание учебной цели – не конечная задача. Если корпоративные ученики не могут достичь поставленной цели, тогда это просто набор красивых слов. А иногда их неспособность не имеет ничего общего с их отсутствием усилий или навыков. Возможно, они не смогут достичь цели, потому что она плохо сформулирована и, следовательно, недостижима. Ваша учебная цель должна быть:

• Конкретная: прямая, а не расплывчатая или обобщенная
• Измеримая: ее можно тестировать, наблюдать и оценивать на практике
• Достижимая: корпоративные учащиеся и инструкторы могут четко сказать: “ Да, они сделали это »или« Нет, они этого не сделали »
• Вознаграждение: корпоративные учащиеся должны быть мотивированы, чтобы стремиться к цели
• Своевременно: это имеет разумные временные рамки, которые четко указаны

Проверка жизнеспособности также влечет за собой штраф – настройка целей обучения после того, как вы запустили онлайн-курс обучения.Вам следует оценить показатели LMS и провести опросы, чтобы определить, ясны ли цели обучения и соответствуют ли их корпоративным потребностям учащихся. Возможно, вам придется изменить формулировку или расширить критерии для более эффективного измерения успеваемости учащихся. Написание целевых учебных целей – лучший способ оценить вашу программу онлайн-обучения. Онлайн-тесты и тесты в первую очередь показывают, что ваши корпоративные ученики могут запоминать информацию. Цели обучения показывают, что корпоративные учащиеся приобрели знания, которые они могут применить в своей работе и жизни.Однако, если вам не удастся создать целевые утверждения, ваши корпоративные ученики не смогут их достичь или прояснить ожидания. Они не знают вашего определения успеха или того, как выполнять требования к работе. Отделите цели обучения от целей онлайн-обучения и отнесите их к нужной фазе Таксономии Блума. Выберите подходящее существительное и глагол для вашей учебной цели. Затем запишите его и проверьте на конкретность, измеримость, достижимость, вознаграждение и своевременность. При развертывании курсов электронного обучения для взрослых учащихся следует ожидать некоторых препятствий на пути.Прочтите статью «Электронное обучение для взрослых учащихся: 6 препятствий, которые необходимо преодолеть», чтобы узнать о подводных камнях, которых следует избегать при создании электронного обучения для взрослых. Этот гостевой пост написал Кристофер Паппас, основатель The eLearning Industry’s Network, крупнейшего онлайн-сообщества профессионалов, работающих в области электронного обучения. Кристофер имеет степени MBA и M.Ed. (Обучение дизайну) от БГГУ.

8 тактик борьбы с несбалансированными классами в вашем наборе данных машинного обучения

Последнее обновление 15 августа 2020 г.

Это случилось с вами?

Вы работаете со своим набором данных.Вы создаете модель классификации и сразу получаете точность 90%. Вы думаете: « Fantastic ». Вы погружаетесь немного глубже и обнаруживаете, что 90% данных принадлежит одному классу. Проклятие!

Это пример несбалансированного набора данных и разочаровывающих результатов, которые он может вызвать.

В этом посте вы познакомитесь с тактиками, которые можно использовать для получения отличных результатов на наборах данных машинного обучения с несбалансированными данными.

Начните свой проект с моей новой книги «Несбалансированная классификация с Python», включающей пошаговых руководств и файлы исходного кода Python для всех примеров.

Приступим.

Найдите баланс в машинном обучении.
Фото MichaEli, некоторые права защищены.

Вступление в борьбу с несбалансированными данными

Я все время получаю электронные письма о дисбалансе классов, например:

У меня проблема с двоичной классификацией, и в моем обучающем наборе присутствует один класс с соотношением 60: 1. Я использовал логистическую регрессию, и результат, кажется, просто игнорирует один класс.

А это:

Я работаю над классификационной моделью.В моем наборе данных у меня есть три разных метки, которые нужно классифицировать, пусть они будут A, B и C. Но в наборе обучающих данных у меня есть набор данных A с объемом 70%, B с 25% и C с 5%. В большинстве случаев мои результаты превосходят А. Не могли бы вы подсказать, как я могу решить эту проблему?

Я пишу длинные списки техник, чтобы попытаться подумать о том, как лучше всего решить эту проблему. Наконец я последовал совету одного из моих учеников:

Возможно, одна из ваших предстоящих публикаций в блоге могла бы решить проблему обучения модели работе с сильно несбалансированными данными и описать некоторые методы и ожидания.

Разочарование!

Несбалансированные данные могут вызвать у вас много разочарования.

Вы чувствуете себя очень разочарованным, когда обнаруживаете, что ваши данные содержат несбалансированные классы и что все отличные результаты, которые, как вы думали, вы получали, оказались ложью.

Следующая волна разочарования наступает, когда книги, статьи и сообщения в блогах, похоже, не дают вам хороших советов по устранению дисбаланса в ваших данных.

Расслабьтесь, есть много вариантов, и мы рассмотрим их все.Возможно, вы можете построить прогнозные модели для несбалансированных данных.

Хотите начать работу с классификацией дисбаланса?

Пройдите мой бесплатный 7-дневный ускоренный курс электронной почты (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Загрузите БЕСПЛАТНЫЙ мини-курс

Что такое несбалансированные данные?

Несбалансированные данные обычно относятся к проблеме с классификационными проблемами, когда классы не представлены одинаково.

Например, у вас может быть проблема 2-х классной (двоичной) классификации со 100 экземплярами (строками). Всего 80 экземпляров помечены как класс 1, а остальные 20 экземпляров – как класс 2.

Это несбалансированный набор данных, и отношение экземпляров класса 1 к экземплярам класса 2 составляет 80:20 или более кратко 4: 1.

У вас может быть проблема дисбаланса классов в задачах классификации с двумя классами, а также в задачах классификации с несколькими классами. На любом из них можно использовать большинство техник.

Остальные обсуждения будут предполагать проблему классификации двух классов, потому что ее легче думать и описывать.

Обычный дисбаланс

Большинство наборов классификационных данных не имеют точно равного количества экземпляров в каждом классе, но небольшая разница часто не имеет значения.

Существуют проблемы, при которых дисбаланс классов не просто обычен, а является ожидаемым. Например, в наборах данных, подобных тем, которые характеризуют мошеннические транзакции, нет баланса.Подавляющее большинство транзакций будет относиться к классу «Отсутствие мошенничества», а очень незначительное меньшинство – к классу «мошенничества».

Другой пример – наборы данных об оттоке клиентов, где подавляющее большинство клиентов остаются с услугой (класс «без оттока»), а небольшое меньшинство отменяет свою подписку (класс «отток»).

Когда есть небольшой дисбаланс классов, такой как 4: 1 в приведенном выше примере, это может вызвать проблемы.

Парадокс точности

Парадокс точности – это точное название ситуации во введении к этому посту.

Это тот случай, когда ваши меры точности говорят о том, что у вас отличная точность (например, 90%), но точность отражает только базовое распределение классов.

Это очень распространено, потому что точность классификации часто является первым показателем, который мы используем при оценке моделей по нашим задачам классификации.

Положи все на красное!

Что происходит в наших моделях, когда мы тренируемся на несбалансированном наборе данных?

Как вы могли догадаться, причина, по которой мы получаем точность 90% для несбалансированных данных (с 90% экземпляров в классе 1), заключается в том, что наши модели смотрят на данные и разумно решают, что лучше всего всегда прогнозировать «Класс-1» и добиваться высокой точности.

Это лучше всего видно при использовании простого алгоритма, основанного на правилах. Если вы распечатаете правило в окончательной модели, вы увидите, что оно, скорее всего, предсказывает один класс независимо от данных, которые его просят предсказать.

8 Тактик борьбы с несбалансированными данными тренировок

Теперь мы понимаем, что такое несбалансированность классов и почему он обеспечивает неверную точность классификации.

Итак, каковы наши возможности?

1) Можете ли вы собрать больше данных?

Вы можете подумать, что это глупо, но о сборе дополнительных данных почти всегда забывают.

Можете ли вы собрать больше данных? Найдите секунду и подумайте, сможете ли вы собрать больше данных о своей проблеме.

Более крупный набор данных может раскрыть другой и, возможно, более сбалансированный взгляд на классы.

Дополнительные примеры второстепенных классов могут быть полезны позже, когда мы рассмотрим повторную выборку вашего набора данных.

2) Попробуйте изменить метрику производительности

Точность не является показателем для использования при работе с несбалансированным набором данных. Мы видели, что это заблуждение.

Есть метрики, которые были разработаны, чтобы рассказать вам более правдивую историю при работе с несбалансированными классами.

Я даю больше советов по выбору различных показателей эффективности в моем сообщении «Точности классификации недостаточно: вы можете использовать больше показателей эффективности».

В этом посте я смотрю на несбалансированный набор данных, который характеризует рецидив рака груди у пациентов.

Из этого поста я рекомендую взглянуть на следующие показатели производительности, которые могут дать больше информации о точности модели, чем точность традиционной классификации:

• Матрица путаницы : разбивка прогнозов на таблицу, показывающую правильные прогнозы (диагональ) и типы сделанных неверных прогнозов (какие классы были присвоены неправильные прогнозы).
• Precision : Мера точности классификаторов.
• Отзыв : Мера полноты классификатора
• Оценка F1 (или оценка F) : Средневзвешенное значение точности и запоминания.

Я бы также посоветовал вам взглянуть на следующее:

• Каппа (или каппа Коэна) : точность классификации, нормализованная несбалансированностью классов в данных.
• Кривые ROC : Подобно точности и отзыву, точность делится на чувствительность и специфичность, и модели могут быть выбраны на основе пороговых значений баланса этих значений.

Вы можете узнать больше об использовании кривых ROC для сравнения точности классификации в нашей публикации «Оценка и сравнение производительности классификатора с кривыми ROC».

Все еще не уверены? Начните с каппы, она даст вам лучшее представление о происходящем, чем точность классификации.

3) Попробуйте передискретизировать свой набор данных

Вы можете изменить набор данных, который вы используете для построения прогнозной модели, чтобы получить более сбалансированные данные.

Это изменение называется выборкой вашего набора данных, и есть два основных метода, которые вы можете использовать для выравнивания классов:

1. Вы можете добавить копии экземпляров из недостаточно представленного класса, называемого избыточной выборкой (или более формально выборкой с заменой), или
2. Вы можете удалить экземпляры из избыточно представленного класса, что называется недостаточной выборкой.

Эти подходы часто очень легко реализовать и быстро запустить. Они являются отличной отправной точкой.

На самом деле, я бы посоветовал вам всегда пробовать оба подхода на всех ваших несбалансированных наборах данных, просто чтобы увидеть, дает ли это повышение в ваших предпочтительных мерах точности.

Вы можете узнать немного больше из статьи в Википедии под названием «Передискретизация и недостаточная выборка при анализе данных».

Некоторые практические правила

• Рассмотрите возможность тестирования с недостаточной выборкой, если у вас много данных (десятки, сотни тысяч экземпляров и более)
• Рассмотрите возможность тестирования передискретизации, если у вас мало данных (десятки тысяч записей или меньше).
• Рассмотрите возможность случайного и неслучайного тестирования (например,грамм. стратифицированные) схемы выборки.
• Рассмотрите возможность тестирования различных передискретизированных соотношений (например, вам не нужно стремиться к соотношению 1: 1 в задаче двоичной классификации, попробуйте другие соотношения)

4) Попробуйте создать синтетические образцы

Простым способом создания синтетических выборок является случайная выборка атрибутов из экземпляров класса меньшинства.

Вы можете выбрать их эмпирически в своем наборе данных или использовать такой метод, как Наивный Байес, который может независимо выполнять выборку каждого атрибута при выполнении в обратном порядке.У вас будет больше и разных данных, но нелинейные отношения между атрибутами могут не сохраниться.

Существуют систематические алгоритмы, которые можно использовать для создания синтетических образцов. Самый популярный из таких алгоритмов называется SMOTE или Техника передискретизации синтетического меньшинства.

Как следует из названия, SMOTE – это метод передискретизации. Он работает путем создания синтетических образцов из второстепенного класса вместо создания копий. Алгоритм выбирает два или более похожих экземпляра (с использованием меры расстояния) и изменяет один атрибут экземпляра за раз на случайную величину в пределах разницы с соседними экземплярами.

Чтобы узнать больше о SMOTE, см. Исходный документ 2002 года, озаглавленный «SMOTE: метод передискретизации синтетических меньшинств».

Существует несколько реализаций алгоритма SMOTE, например:

• В Python взгляните на модуль «UnbalancedDataset». Он предоставляет ряд реализаций SMOTE, а также различные другие методы передискретизации, которые вы можете попробовать.
• В R пакет DMwR обеспечивает реализацию SMOTE.
• В Weka можно использовать контролируемый фильтр SMOTE.

5) Попробуйте разные алгоритмы

Как всегда, я настоятельно рекомендую вам не использовать свой любимый алгоритм для каждой задачи. По крайней мере, вы должны тщательно проверять различные типы алгоритмов для решения конкретной проблемы.

Подробнее об алгоритмах выборочной проверки см. В моем сообщении «Почему вы должны использовать алгоритмы выборочной проверки для решения проблем с машинным обучением».

При этом деревья решений часто хорошо работают с несбалансированными наборами данных. Правила разделения, которые смотрят на переменную класса, используемую при создании деревьев, могут заставить обращаться к обоим классам.

Если есть сомнения, попробуйте несколько популярных алгоритмов дерева решений, таких как C4.5, C5.0, CART и Random Forest.

Пример кода R, использующего деревья решений, см. В моем сообщении «Нелинейная классификация в R с деревьями решений».

Пример использования CART в Python и scikit-learn см. В моем сообщении под названием «Запачкайте руки с помощью Scikit-Learn Now».

6) Попробуйте модели с санкциями

Вы можете использовать те же алгоритмы, но дать им другой взгляд на проблему.

Штрафная классификация налагает на модель дополнительные расходы за допущение классификационных ошибок в классе меньшинства во время обучения. Эти штрафы могут склонить модель к уделению большего внимания классу меньшинства.

Часто обработка штрафов класса или весов зависит от алгоритма обучения. Существуют штрафные версии алгоритмов, такие как штрафной SVM и штрафной LDA.

Также возможно иметь общие рамки для штрафных моделей.Например, у Weka есть CostSensitiveClassifier, который может обернуть любой классификатор и применить настраиваемую матрицу штрафов для классификации промахов.

Использование штрафов желательно, если вы привязаны к определенному алгоритму и не можете выполнить повторную выборку или вы получаете плохие результаты. Это еще один способ «сбалансировать» классы. Настройка матрицы штрафов может быть сложной. Скорее всего, вам придется попробовать различные схемы штрафов и посмотреть, что лучше всего подходит для вашей проблемы.

7) Попробуйте другую перспективу

Есть области исследований, посвященные несбалансированным наборам данных.У них есть свои алгоритмы, меры и терминология.

Если взглянуть и подумать о своей проблеме с этих точек зрения, иногда может быть стыдно потерять некоторые идеи.

Два, которые вы могли бы рассмотреть, – это обнаружение аномалий и обнаружение изменений .

Обнаружение аномалий – это обнаружение редких событий. Это может быть неисправность машины, на которую указывает ее вибрация, или злонамеренная активность программы, на которую указывает последовательность ее системных вызовов.События редки и по сравнению с нормальной работой.

Этот сдвиг в мышлении рассматривает второстепенный класс как класс выбросов, который может помочь вам придумать новые способы разделения и классификации выборок.

Обнаружение изменений похоже на обнаружение аномалий, за исключением того, что вместо поиска аномалии оно ищет изменение или отличие. Это может быть изменение поведения пользователя, наблюдаемое по шаблонам использования или банковским транзакциям.

Оба этих сдвига в большей степени относятся к проблеме классификации в реальном времени, что может дать вам некоторые новые способы осмысления вашей проблемы и, возможно, еще несколько методов, которые можно попробовать.

8) Попробуй проявить творческий подход

Действительно залезьте внутрь своей проблемы и подумайте, как разбить ее на более мелкие проблемы, которые будут более решаемыми.

Для вдохновения взгляните на очень креативные ответы на Quora на вопрос «Как вы справляетесь с несбалансированной обучающей выборкой при классификации?»

Например:

Разложите ваш больший класс на меньшее количество других классов…

… использовать одноклассный классификатор… (например,грамм. рассматривать как обнаружение выбросов)

… передискретизация несбалансированной обучающей выборки не в одну сбалансированную, а в несколько. Запуск ансамбля классификаторов на этих наборах может дать гораздо лучший результат, чем использование одного классификатора

Это лишь некоторые из интересных и креативных идей, которые вы можете попробовать.

Для получения дополнительных идей ознакомьтесь с этими комментариями к сообщению Reddit «Классификация, когда 80% моей обучающей выборки относится к одному классу».

Выберите метод и действуйте

Вам не нужно быть мастером алгоритмов или статистиком, чтобы строить точные и надежные модели на основе несбалансированных наборов данных.

Мы рассмотрели ряд методов, которые можно использовать для моделирования несбалансированного набора данных.

Надеюсь, есть один или два, которые вы можете снять с полки и сразу же применить, например, изменив метрику точности и передискретизируя набор данных. Оба они быстрые и сразу окажут влияние.

Какой метод вы собираетесь попробовать?

Последнее слово, начало с малого

Помните, что мы не можем знать, какой подход лучше всего подойдет вам и набору данных, над которым вы работаете.

Вы можете использовать некоторые экспертные эвристики, чтобы выбрать тот или иной метод, но, в конце концов, лучший совет, который я могу вам дать, – это «стать ученым», эмпирически протестировать каждый метод и выбрать тот, который дает наилучшие результаты.

Начните с малого и опирайтесь на полученные знания.

Хотите больше? Дополнительная информация…

Есть ресурсы по дисбалансу классов, если вы знаете, где искать, но их очень мало.

Я посмотрел, и вот что я считаю лучшими из лучших.Если вы хотите глубже погрузиться в научную литературу, посвященную проблеме классового дисбаланса, воспользуйтесь некоторыми ссылками ниже.

Книги

Документы

Вы нашли этот пост полезным? Остались вопросы?

Оставьте комментарий и дайте мне знать о своей проблеме и любых вопросах, которые у вас еще есть по работе с несбалансированными классами.

Узнайте о несбалансированной классификации!

Разработка несбалансированных моделей обучения за считанные минуты

…с всего несколькими строками кода Python

Узнайте, как в моей новой электронной книге:
Несбалансированная классификация с Python

Он предоставляет руководств для самообучения и сквозных проектов по:
показателей производительности , методов недодискретизации , SMOTE , смещения порога , калибровки вероятности , экономичных алгоритмов
и многое другое …

Привнесите несбалансированные методы классификации в свои проекты машинного обучения