Update 1-1-analiza-semiwariogramu.ipynb

Author: SimonMolinsky

tutorials/functional/translated/PL-Polish/1-1-analiza-semiwariogramu.ipynb

@@ -1450,7 +1450,7 @@
      "outputs_hidden": false
     }
    },
-   "source": "Zgodnie z minimalizacją pierwiastka ze średniego błędu kwadratowego (RMSE) najlepszym modelem jest liniowy. Takie wnioski można wysnuć przeglądając po kolei tabele, ale w poniższej komórce przedstawiono kod, który robi wypisuje tylko typ modelu i jego RMSE."
+   "source": "Zgodnie z minimalizacją pierwiastka ze średniego błędu kwadratowego (RMSE) między teoretyczną krzywą a eksperymentalnymi punktami najlepszym modelem jest liniowy. Takie wnioski można wysnuć przeglądając wykresy, ale można też automatycznie porównać RMSE między modelami jak w komórce poniżej."
   },
   {
    "cell_type": "code",
@@ -1538,24 +1538,24 @@
     "                - `'power'`\n",
     "                - `'spherical'`\n",
     "- `nugget` - nugget (bias) semiwariogramu\n",
-    "- `min_nugget` - domyślnie = 0.0 - the minimal fraction of the nugget at distance 0 to search for the optimal nugget\n",
-    "- `max_nugget` - domyślnie = 0.5 - the maximum fraction of the nugget at distance 0 to search for the optimal nugget\n",
-    "- `number_of_nuggets` - domyślnie = 16 - how many equally spaced steps between `min_nugget` and `max_nugget` to check\n",
-    "- `rang` - if given, then the range is fixed to this value\n",
-    "- `min_range` - domyślnie = 0.1 - the minimal fraction of a variogram range, `0 < min_range <= max_range`\n",
-    "- `max_range` - domyślnie = 0.5 - the maximum fraction of a variogram range, `min_range <= max_range <= 1`. Parameter `max_range` greater than **0.5** raises warning\n",
-    "- `number_of_ranges` - domyślnie = 16 - how many equally spaced ranges are tested between `min_range` and `max_range`.\n",
-    "- `sill` - if given, it is fixed to this value\n",
-    "- `min_sill` - domyślnie = 0 - the minimal fraction of the variogram variance at lag 0 to find a sill, `0 <= min_sill <= max_sill`\n",
-    "- `max_sill` - domyślnie = 1 - the maximum fraction of the variogram variance at lag 0 to find a sill. It *should be* lower or equal to 1. It is possible to set it above 1, but then warning is printed\n",
-    "- `number_of_sills` - domyślnie = 16 - how many equally spaced sill values are tested between `min_sill` and `max_sill`\n",
-    "- `error_estimator` - domyślnie = `'rmse'` - Error estimation to choose the best model. Available options are:\n",
-    "    - `rmse`: Root Mean Squared Error\n",
-    "    - `mae`: Mean Absolute Error\n",
-    "    - `bias`: Forecast Bias\n",
-    "    - `smape`: Symmetric Mean Absolute Percentage Error\n",
+    "- `min_nugget` - domyślnie = 0.0 - czynnik skalujący bazowy nugget i określający dolną granicę poszukiwania tego wskaźnika\n",
+    "- `max_nugget` - domyślnie = 0.5 - czynnik skalujący bazowy nugget i określający górną granicę poszukiwania tego wskaźnika\n",
+    "- `number_of_nuggets` - domyślnie = 16 - liczba przedziałów między `min_nugget` a `max_nugget` do sprawdzenia\n",
+    "- `rang` - zasięg (*range*) semiwariogramu, jeśli podany, to jest ustawiony sztywno na tę wartość\n",
+    "- `min_range` - domyślnie = 0.1 - minimalny zasięg od którego zaczyna się poszukiwania optymalnego zasięgu `0 < min_range <= max_range`; obliczany jako część z całkowitego (największego) dystansu\n",
+    "- `max_range` - domyślnie = 0.5 - maksymalny zasięg na którym kończą się poszukiwania optymalnego zasięgu `min_range <= max_range <= 1`. Parameter `max_range` większy niż **0.5** wywołuje ostrzeżenie, ponieważ w literaturze pisze się, że efektywny zasięg rzadko przekracza połowę maksymalnego dystansu między parami punktów; obliczany jako część z całkowitego (największego) dystansu\n",
+    "- `number_of_ranges` - domyślnie = 16 - jak wiele przedziałów zasięgu między `min_range` a `max_range` ma zostać przetestowana.\n",
+    "- `sill` - jeśli dane, wtedy ustawione na sztywno\n",
+    "- `min_sill` - domyślnie = 0 - czynnik obliczany jako część całkowitej wariancji zbioru danych wejściowych  `0 <= min_sill <= max_sill`\n",
+    "- `max_sill` - domyślnie = 1 - czynnik obliczany jako część całkowitej wariancji zbioru danych wejściowych. Powinien być mniejszy niż 1, wypłaszczenie krzywej semiwariogramu w optymalnych warunkach powinno nie docierać do granicy wariancji danych, jednak możliwe jest ustawienie tego parametru powyżej 1 dla niektórych typów funkcji\n",
+    "- `number_of_sills` - domyślnie = 16 - jak wiele przedziałów do sprawdzenia między `min_sill` a `max_sill`\n",
+    "- `error_estimator` - domyślnie = `'rmse'` - sposób estymacji błędu i wyboru modelu (wybór modelu na podstawie minimalizacji błędu).\n",
+    "    - `rmse`: Root Mean Squared Error (Pierwiastek ze średniego błędu kwadratowego)\n",
+    "    - `mae`: Mean Absolute Error (Średni Błąd Absolutny)\n",
+    "    - `bias`: Forecast Bias (Średni błąd)\n",
+    "    - `smape`: Symmetric Mean Absolute Percentage Error (Symetryczny Procentowy Średni Absolutny Błąd)\n",
     "\n",
-    "In the first run, we will set nugget, sill, and range as fixed values, and we will see which model type (name) algorithm chooses from the `all` possible models.\n",
+    "W pierwszym przykładzie nugget, sill i range ustawione będą na sztywno. Eksperyment ma na celu pokazanie sposób wyboru konkretnej funkcji teoretycznej, ponieważ każda z nich cechuje się innymi własnościami i opisana jest innym równaniem, więc te same parametry na wejściu wygenerują różne krzywe.\n",
     "\n"
    ]
   },
@@ -1653,9 +1653,9 @@
     }
    },
    "source": [
-    "The chosen model is (most likely) **linear**, automatically set as the class parameter. The algorithm performs the same steps as we did before. It has selected a model based on the RMSE. All other parameters were untouched.\n",
+    "Najbardziej prawdopodobny scenariusz to wybór modelu liniowego **linear**. Algorytm dokonuje w tle te same kroki co przy pracy manualnej, porównując błędy dopasowania między modelami.\n",
     "\n",
-    "Now, we let the algorithm find the optimal parameters (model type, nugget, sill, range).\n",
+    "W drugim eksperymencie algorytm sam dobierze wszystkie parametry (`model type, nugget, sill, range`).\n",
     "\n"
    ]
   },
@@ -1746,9 +1746,7 @@
      "outputs_hidden": false
     }
    },
-   "source": [
-    "As you see, the model is better, but parameters are different than we have set. Still, the best model is **linear**. Let's compare both those models on a single plot."
-   ]
+   "source": "Modele są lepsze, ale parametery również się zmieniły. Model liniowy **linear** powinien być wciąż najlepszy. Porównajmy teraz liniowe modele stworzone \"ręcznie\" i automatycznie na jednym wykresie."
   },
   {
    "cell_type": "code",
@@ -1806,7 +1804,7 @@
     }
    },
    "source": [
-    "## Chapter 5: Exporting model\n",
+    "## Eksport Modelu\n",
     "\n",
     "Models could be exported and used for other purposes. It is vital for the semivariogram regularization. Those calculations are computationally intensive, and in production, it is not a good idea to regularize semivariogram every time when you run the Poisson Kriging pipeline. Moreover, theoretical model parameters should be traced and stored for reproducibility and explainability purposes.\n",
     "\n",