Marcel0123 commited on
Commit
b5b790b
·
verified ·
1 Parent(s): 9c9ffa7

Update app.py

Browse files
Files changed (1) hide show
  1. app.py +0 -14
app.py CHANGED
@@ -159,20 +159,6 @@ Sommige bomen zullen zeggen: “ik denk dat deze persoon overleefde”, andere:
159
  Het bos – de verzameling van al die bomen samen – neemt dan de meerderheid van die meningen, waardoor één krachtige, evenwichtige beslissing ontstaat.
160
  Zo vermijdt het model dat één toevallig patroon de uitkomst bepaalt: het leert van vele perspectieven tegelijk.
161
 
162
- Dit leerproces noemen we **training**.
163
- De computer krijgt eerst een groot deel van de gegevens te zien waarvan de uitkomst al bekend is — we weten immers wie overleefde en wie niet.
164
- Daarmee leert het model hoe bepaalde combinaties van eigenschappen samenhangen met overlevingskansen.
165
- Zodra het getraind is, testen we het op nieuwe gegevens die het nog nooit heeft gezien.
166
- Als de voorspellingen dan nog steeds vaak juist zijn, weten we dat het model echt iets heeft “begrepen” uit de data, en niet alleen maar heeft uit het hoofd geleerd.
167
-
168
- De nauwkeurigheid – bijvoorbeeld 74% – vertelt hoeveel van die voorspellingen correct zijn.
169
- Een score van 74% betekent dus dat het model in 74 van de 100 gevallen goed raadt of iemand overleefde.
170
- Geen perfecte voorspelling, maar wel een indrukwekkend resultaat als je bedenkt dat het model dit leert zonder enige voorkennis van menselijke emoties, gedrag of omstandigheden.
171
-
172
- Wat dit zo bijzonder maakt, is dat het model niet simpelweg regels volgt, maar zelf ontdekt *welke* regels werken.
173
- Het zoekt verbanden die te complex zijn om handmatig uit de data te halen: bijvoorbeeld dat jonge vrouwen in de derde klasse een andere kans hadden dan oudere mannen in de tweede, of dat families met meerdere kinderen vaker samen ten onder gingen.
174
- Zo wordt de machine een leerling van de geschiedenis – een stille onderzoeker die patronen vindt waar wij misschien nooit op zouden zijn gekomen.
175
-
176
  Wanneer het model eenmaal getraind is, kan het niet alleen het verleden verklaren, maar ook hypothetische scenario’s inschatten.
177
  Wat als iemand ouder was geweest? Of in een andere klasse had gereisd?
178
  Met één druk op de knop laat het model zien hoe zulke kleine verschillen het lot konden beïnvloeden.
 
159
  Het bos – de verzameling van al die bomen samen – neemt dan de meerderheid van die meningen, waardoor één krachtige, evenwichtige beslissing ontstaat.
160
  Zo vermijdt het model dat één toevallig patroon de uitkomst bepaalt: het leert van vele perspectieven tegelijk.
161
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
162
  Wanneer het model eenmaal getraind is, kan het niet alleen het verleden verklaren, maar ook hypothetische scenario’s inschatten.
163
  Wat als iemand ouder was geweest? Of in een andere klasse had gereisd?
164
  Met één druk op de knop laat het model zien hoe zulke kleine verschillen het lot konden beïnvloeden.