Spaces:
Sleeping
Sleeping
Update app.py
Browse files
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.
|