Natrénovat a vyhodnotit model

Žáci natrénují jednoduchý model — rozhodovací strom nebo lineární regresi — vyhodnotí, jak dobře funguje, a hledají zkreslení v datech i predikci.

Průvodce tématem Natrénovat a vyhodnotit model v předmětu Informatika pro 8. třídu: co mají žáci zvládnout, na co navázat a kde nejčastěji chybují. K tomu příprava na hodinu, pracovní list nebo písemka, které ScioBot připraví na jedno kliknutí přesně pro tento ročník.

Připravit hodinu Všechny formáty

Klikněte a tvořte

Získejte přípravu zdarma

Vyberte formát. Jedním kliknutím otevřete tvorbu na téma Natrénovat a vyhodnotit model (8. třída) — ScioBot ho připraví za vás.

Připravit hodinu

Další formáty na jedno kliknutí

Téma i ročník jsou už vyplněné. Nic nepíšete — rovnou tvoříte.

Žáci v 8. ročníku přejdou od popisu strojového učení k vlastnímu pokusu: na malé tabulce dat natrénují jednoduchý model (rozhodovací strom nebo lineární regresi) a ověří, jestli predikce dávají smysl. Výstup INF-INF-001-ZV9-004 žádá nejen „spustit trénink“, ale i posoudit, jak dobře model funguje — tedy porovnat predikci se skutečností na datech, která model při učení neviděl.

Trénink znamená, že algoritmus z příkladů odvodí pravidla nebo přímku; vyhodnocení znamená spočítat, kolik predikcí sedí, a podívat se, kde se model mýlí. Součástí hodiny je hledání zkreslení: nevyvážené třídy, chybějící skupiny v datech, únik informace z budoucnosti do tréninku nebo predikce, které systematicky poškozují jednu skupinu.

Cílem není „nejlepší model“, ale srozumitelný postup: rozdělit data, natrénovat, změřit chybu, přečíst konkrétní špatné predikce a navrhnout, co v datech nebo v úloze opravit. Práci lze vést v tabulkovém editoru, jednoduchém nástroji s rozhodovacím stromem, nebo v krátkém skriptu — důležité je, aby žák uměl slovy říct, co model umí a kde selhává.

Předpoklady

Klíčové pojmy

Trénovací a testovací data
Příklady se rozdělí: na jedné části se model učí, na druhé se teprve zjišťuje, jestli pravidla fungují i na neviděných případech.
Rozhodovací strom
Model tvoří posloupnost otázek na vlastnosti (věk, teplota, počet chyb…) a v listech dává predikci třídy nebo hodnoty.
Lineární regrese
Model hledá přímku (nebo jednoduchý vztah), která z číselných vlastností odhadne číselný výsledek, například cenu nebo čas.
Vyhodnocení kvality
Porovná se predikce se skutečnou hodnotou: podíl správných klasifikací, průměrná odchylka u čísla, a hlavně seznam konkrétních omylů.
Přeučení
Model si zapamatuje trénovací tabulku včetně náhody a na testu selže; signalizuje to velký rozdíl mezi úspěšností na tréninku a na testu.
Zkreslení v datech
Když v tabulce chybí skupina, převažuje jedna třída nebo je štítek špatně, model se naučí tuto nerovnost a opakuje ji v predikci.
Únik informace
Do tréninku se omylem dostane údaj, který v reálném rozhodnutí ještě není znám (výsledek testu, budoucí známka); úspěšnost pak lže.

Časté miskoncepce

  • Častá chyba

    „Máme 95 % správně, model je výborný“ — přitom v tabulce je 95 % jedné třídy a model vždycky hádá tu častější.

    Jak na to

    Nechte spočítat úspěšnost hloupého pravidla „vždy většina“ a porovnat ji s modelem; ukažte matici omylů po třídách, ne jen jedno procento.

  • Častá chyba

    Žáci hodnotí model na stejných řádcích, na kterých se učil, a tvrdí, že „umí všechno“.

    Jak na to

    Před tréninkem odložte část řádků do „obálky“. Vyhodnocení smí použít jen tu obálku; tréninkovou úspěšnost zapište vedle jako kontrolu přeučení.

  • Častá chyba

    „Strom je spravedlivý, protože se učil z čísel“ — ignorují, že ve školním datasetu skoro chybí jedna skupina (např. odpolední spoje, dívky v kroužku).

    Jak na to

    Rozdělte testovací chyby podle skupiny v tabulce. Kde je málo příkladů nebo hodně omylů, žáci musí říct, co v datech chybí, ne „přidat vrstvy“.

  • Častá chyba

    U regrese berou jednu trefenou predikci jako důkaz, že přímka funguje, a přehlížejí velké odchylky na krajích.

    Jak na to

    Nechte vypsat tři největší chyby (skutečnost minus predikce) a zeptat se, jestli u těch bodů dává přímka smysl, nebo data potřebují jiný vztah.

Jak učit

2–3 hodiny

  1. Evokace: ukažte dvě predikce na stejném řádku — jednu z naučeného stromu, jednu z pravidla „vždy ano“ — a zeptejte se, podle čeho poznáme, která je užitečnější.
  2. Jádro: společně rozdělte malou tabulku, natrénujte strom nebo regresi, spočítejte chybu na testu a označte tři nejhorší predikce a podezřelý sloupec.
  3. Reflexe: každý tým jednou větou: co model umí, na čem se plete a kterou změnu v datech by udělal příště.

Nápady na aktivity

  • Školní mini-dataset (docházka, počasí a „jede výlet?“ nebo body z kvízu a odhad času): jedna polovina třídy staví strom otázkami na papír, druhá kontroluje predikce na skrytých kartách a hledá zkreslení.
  • Stejná čísla ve dvou sloupcích — jednou s únikem (ve vlastnostech je už výsledek), jednou bez něj: žáci porovnají „zázračnou“ a poctivou úspěšnost a formulují, proč první číslo neplatí.

Hodnocení

Žák na novém malém datasetu rozdělí data, natrénuje strom nebo regresi a písemně uvede úspěšnost/odchylku na testu plus jeden konkrétní omyl.

Ústně nebo v krátkém zápisu vysvětlí jedno zkreslení v datech nebo predikci a navrhne úpravu tabulky nebo úlohy, ne jen „více trénovat“.

Související témata

Zdroje

Co pro vás ScioBot připraví k tématu Natrénovat a vyhodnotit model

Interaktivní aktivity, které žáci spustí na tabletu či tabuli, tisknutelné kartičky a hry pro celou třídu – každý formát na téma Natrénovat a vyhodnotit model jedním klikem.

Základní materiály

Interaktivní aktivity 14

K tisku a rozstříhání 8

Hry pro celou třídu 4

Očekávané výstupy

  • INF-INF-001-ZV9-004 Natrénuje model strojového učení a vyhodnotí, jak dobře model funguje.

Učíte Natrénovat a vyhodnotit model trochu jinak?

Popište ScioBotu vlastními slovy, co s žáky chcete zvládnout a kolik máte času. Materiál přizpůsobí vašemu ŠVP, třídě i žákům se speciálními vzdělávacími potřebami.

Napsat ScioBotu

Související témata