Giai đoạn nào trong CRISP-DM cần thiết để đảm bảo rằng mô hình không bị vấn đề overfitting hoặc underfitting? Lựa chọn: 

Câu hỏi này liên quan đến quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining) và yêu cầu xác định giai đoạn nào quan trọng trong việc ngăn ngừa overfitting (mô hình quá khớp) và underfitting (mô hình kém khớp). * **a. Đánh giá:** Giai đoạn đánh giá tập trung vào việc đo lường hiệu suất của mô hình đã xây dựng và so sánh nó với các mục tiêu kinh doanh đã đặt ra. Việc đánh giá mô hình một cách cẩn thận, sử dụng các bộ dữ liệu kiểm tra (validation set) và các kỹ thuật đánh giá phù hợp, giúp phát hiện ra các vấn đề như overfitting hoặc underfitting. Nếu mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra, đó là dấu hiệu của overfitting. Ngược lại, nếu mô hình hoạt động kém trên cả hai tập dữ liệu, đó có thể là underfitting. Do đó, giai đoạn đánh giá đóng vai trò quan trọng trong việc đảm bảo mô hình không gặp các vấn đề này. * **b. Hiểu về kinh doanh:** Giai đoạn này tập trung vào việc hiểu rõ mục tiêu kinh doanh và yêu cầu của dự án khai phá dữ liệu. Mặc dù quan trọng, giai đoạn này không trực tiếp liên quan đến việc kiểm tra overfitting/underfitting. * **c. Mô hình hóa:** Giai đoạn mô hình hóa là nơi các thuật toán học máy được áp dụng để xây dựng mô hình dự đoán. Mặc dù việc lựa chọn thuật toán và điều chỉnh các tham số có thể ảnh hưởng đến việc overfitting/underfitting, nhưng việc đánh giá mô hình mới là bước xác định rõ ràng nhất vấn đề này. * **d. Triển khai:** Giai đoạn triển khai liên quan đến việc đưa mô hình vào sử dụng trong thực tế. Giai đoạn này không trực tiếp giải quyết vấn đề overfitting/underfitting. Vì vậy, đáp án đúng là **a. Đánh giá** vì đây là giai đoạn mà các vấn đề overfitting và underfitting được phát hiện và xử lý thông qua việc sử dụng các tập dữ liệu kiểm tra và các kỹ thuật đánh giá mô hình phù hợp.