Macierze pomyłek i analiza błędów
Znajdować miejsca, w których model zawodzi
Macierze pomyłek i analiza błędów to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
See Every Mistake
A confusion matrix lays out predicted versus true labels in a grid. One glance shows exactly where your model trips up.
Rows and Columns
Rows are the true classes and columns are the predicted ones. The diagonal holds correct calls; everything off it is an error.
Build It in One Call
Scikit-learn turns labels and predictions into the grid instantly, so you can inspect the counts right away.
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_true, y_pred)The Diagonal Is Your Friend
A strong model concentrates counts on the diagonal. Large off-diagonal cells reveal pairs of classes it keeps confusing.
Spot Confused Pairs
If many cats get labeled dogs, that single bright off-diagonal cell points you straight to a systematic weakness.
Normalize for Fairness
Raw counts mislead when classes differ in size. Normalize each row to compare error rates per class on equal footing.
cm_norm = cm / cm.sum(axis=1, keepdims=True)Beyond the Grid: Look at Examples
Numbers tell you where, not why. Error analysis means opening the actual misclassified samples to understand the cause.
Group the Failures
Sort errors into buckets like blurry images or rare phrasing. Patterns in these groups suggest concrete fixes.
Label Noise Hides Here
Some misses are really wrong labels in your data, not model faults. Error analysis surfaces these so you can clean them.
From Errors to Action
Each error pattern maps to a remedy: more data, better features, or a tweaked threshold for the troublesome class.
A Habit, Not a One-Off
Repeat error analysis after every change. This steady loop turns vague failure into a clear, prioritized to-do list. 🔁
Quick Check
Recall what the diagonal of a confusion matrix represents.
Recap
A confusion matrix shows where errors fall, then hands-on error analysis explains why. Together they turn failures into fixes. 🎯
Często zadawane pytania
Czy lekcja „Macierze pomyłek i analiza błędów” jest bezpłatna?
Tak — pełny tekst „Macierze pomyłek i analiza błędów” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Macierze pomyłek i analiza błędów”?
Znajdować miejsca, w których model zawodzi Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Macierze pomyłek i analiza błędów”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Precision, recall, F1 i ROC-AUC
- Macierze pomyłek i analiza błędów
- Grad-CAM: zobaczyć, na co patrzy model
- Kalibracja pewności