Độ đo nào sau đây thường được sử dụng để đánh giá hiệu suất của một mô hình hồi quy logistic? Chọn một: 

Thuật toán K-means là một thuật toán phân cụm dữ liệu, trong đó mục tiêu là chia n điểm dữ liệu thành k cụm, sao cho mỗi điểm thuộc về cụm gần nhất (được định nghĩa bởi khoảng cách).

Phát biểu không đúng trong các lựa chọn là: a. Biết nhãn của từng điểm dữ liệu. Vì K-means là thuật toán học không giám sát (unsupervised learning), nên không yêu cầu phải biết trước nhãn của dữ liệu.

Các phát biểu còn lại đều đúng:
- b. Cụm là tập hợp các điểm dữ liệu có vector đặc trưng gần nhau (đúng theo định nghĩa của phân cụm).
- c. Khoảng cách Euclid thường được sử dụng để xác định khoảng cách giữa các vector đặc trưng với tâm của mỗi cụm (đây là một phương pháp phổ biến).

Máy vector hỗ trợ (SVM) lề mềm được thiết kế để xử lý dữ liệu mà không thể phân tách hoàn toàn tuyến tính. Điều này có nghĩa là nó chấp nhận một số sai sót trong phân loại để đạt được một mô hình tổng quát tốt hơn.

* a. Phân loại chính xác hai lớp dữ liệu: SVM lề mềm không đảm bảo phân loại chính xác hoàn toàn, đặc biệt khi dữ liệu có nhiễu hoặc không thể phân tách tuyến tính.
* b. Dữ liệu phi tuyến tính: SVM có thể xử lý dữ liệu phi tuyến tính bằng cách sử dụng kernel trick, nhưng lề mềm là một khái niệm riêng biệt liên quan đến việc cho phép sai sót.
* c. Chấp nhận sai sót tại một vài điểm dữ liệu: Đây là đặc điểm chính của SVM lề mềm. Nó cho phép một số điểm dữ liệu nằm sai phía của biên hoặc nằm trong vùng lề để tránh overfitting và cải thiện khả năng tổng quát hóa.
* d. Biến đổi dữ liệu từ không gian đặc trưng ban đầu thành dữ liệu trong không gian mới: Đây là vai trò của kernel trick trong SVM, không phải là đặc điểm riêng của lề mềm.

Do đó, đáp án đúng nhất là c. Chấp nhận sai sót tại một vài điểm dữ liệu.

Thuật toán Naive Bayes được gọi là "Naive" (ngây thơ) vì nó đưa ra một giả định đơn giản hóa rằng các thuộc tính (features) của dữ liệu đầu vào là độc lập với nhau. Điều này có nghĩa là thuật toán giả định rằng giá trị của một thuộc tính không ảnh hưởng đến giá trị của bất kỳ thuộc tính nào khác. Trong thực tế, giả định này hiếm khi đúng, nhưng nó giúp đơn giản hóa đáng kể việc tính toán và làm cho thuật toán Naive Bayes trở nên nhanh chóng và hiệu quả, đặc biệt là với dữ liệu có chiều cao lớn.

Do đó, đáp án đúng là:
a. là độc lập nhau

Câu hỏi kiểm tra kiến thức về tập lồi, hàm lồi và tối ưu lồi. Ta sẽ phân tích từng đáp án:

* Đáp án a: Hàm y = ax + b là một hàm tuyến tính, và theo định nghĩa, nó vừa là hàm lồi vừa là hàm lõm. Do đó, phát biểu "Hàm y=ax+b không phải là một hàm lồi" là sai.

* Đáp án b: Giao của hai tập lồi luôn là một tập lồi. Đây là một tính chất cơ bản của tập lồi. Vì vậy, phát biểu "Giao giữa hai tập lồi chưa chắc là một tập lồi" là sai.

* Đáp án c: Nếu hàm mất mát của một thuật toán học máy là lồi, điều này có nghĩa là hàm số đó có dạng "bát úp" hoặc "bát ngửa" và không có cực tiểu cục bộ (local minimum) nào khác ngoài cực tiểu toàn cục (global minimum). Do đó, bất kỳ điểm tối ưu nào tìm được (thường là cực tiểu) đều là tối ưu toàn cục. Phát biểu này đúng.

* Đáp án d: Tính lồi của một hàm không chỉ phụ thuộc vào tập xác định của nó. Một hàm có thể lồi, lõm hoặc không lồi trên một tập xác định không lồi, tùy thuộc vào chính hàm đó. Phát biểu này sai.

Vậy đáp án đúng là c.

Câu hỏi mô tả một bài toán trong đó mục tiêu là ước tính một giá trị số thực dựa trên dữ liệu đã biết. Điều này hoàn toàn phù hợp với định nghĩa của bài toán hồi quy.

* Bài toán hồi quy: Dự đoán một giá trị liên tục (số thực) dựa trên các biến đầu vào.
* Bài toán phân lớp: Phân loại dữ liệu vào một trong các lớp (categories) đã được định nghĩa trước.
* Bài toán gom cụm: Nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm (clusters) mà không cần nhãn.
* Bài toán máy dịch: Liên quan đến việc dịch một chuỗi văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Như vậy, đáp án chính xác là bài toán hồi quy.