A cách tiếp cận để áp dụng mô hình hồi quy logistic cho nhiều lớp là huấn luyện bộ phân loại hồi quy logistic h_i(x) cho mỗi lớp i để dự đoán xác suất y = i. Trên đầu vào x mới, để đưa ra dự đoán, hãy chọn lớp i cực tiểu hóa h_i(x)(I=1,2,3). 

Khi x = -2, ta có z = 2 + x = 2 + (-2) = 0.
Vậy h(z) = sigmoid(z) = 1 / (1 + e^(-z)) = 1 / (1 + e^0) = 1 / (1 + 1) = 1 / 2 = 0.5.
Do đó, đáp án đúng là 0.5.

Mô hình hồi quy logistic là một mô hình tuyến tính. Nó cố gắng tìm một siêu phẳng (trong không gian nhiều chiều) để phân tách các lớp. Do đó, nó không hiệu quả khi dữ liệu được phân tách phi tuyến tính, vì một đường thẳng hoặc một mặt phẳng không thể phân tách chính xác các điểm dữ liệu thuộc các lớp khác nhau trong trường hợp này. Vì vậy, khẳng định "Mô hình hồi quy logistic KHÔNG tốt cho tập dữ liệu phân tách phi tuyến tính" là đúng.

Hồi quy logistic, mặc dù có từ "hồi quy" trong tên gọi, nhưng thực tế lại là một thuật toán phân loại. Nó ước tính xác suất một biến thuộc về một lớp nhất định. Vì vậy, câu trả lời A là đúng.

Câu hỏi này kiểm tra kiến thức về các loại bài toán phân loại trong học máy.

* Phân loại nhị phân (Binary Classification) là bài toán phân loại mà nhãn mục tiêu (y) chỉ có hai giá trị có thể, thường được biểu diễn là 0 hoặc 1, hoặc True/False, hoặc Positive/Negative. Ví dụ: phân loại email là spam hay không spam, phân loại một bệnh nhân có mắc bệnh hay không mắc bệnh.
* Phân loại nhiều lớp (Multiclass Classification) là bài toán phân loại mà nhãn mục tiêu (y) có thể nhận một trong nhiều hơn hai giá trị. Ví dụ: phân loại ảnh thành các loại khác nhau (mèo, chó, chim).

Do đó, đáp án đúng là "phân loại nhị phân".

Câu hỏi kiểm tra sự hiểu biết về các giả định của mô hình Logistic Regression. Một trong những giả định quan trọng của Logistic Regression là các điểm dữ liệu (các quan sát) phải độc lập với nhau. Điều này có nghĩa là giá trị của một điểm dữ liệu không ảnh hưởng đến giá trị của bất kỳ điểm dữ liệu nào khác. Nếu vi phạm giả định này (ví dụ, dữ liệu chuỗi thời gian), kết quả của Logistic Regression có thể không chính xác. Do đó, câu phát biểu "Logistic Regression ngầm định rằng các điểm dữ liệu độc lập theo cặp" là đúng.