Gom cụm là một ví dụ về ... Lựa chọn: 

Câu hỏi này kiểm tra kiến thức về các loại sai số trong mô hình học máy. Trong đó, độ lệch (bias) là sai số do việc đơn giản hóa quá mức mô hình, dẫn đến việc mô hình không thể nắm bắt được các mối quan hệ phức tạp trong dữ liệu. Điều này gây ra sự khác biệt lớn giữa dự đoán của mô hình và giá trị thực tế.

* Nhiễu (noise) là dữ liệu không liên quan hoặc không chính xác có thể làm ảnh hưởng đến mô hình.
* Tín hiệu (signal) là thông tin hữu ích trong dữ liệu.
* Phương sai (variance) là mức độ thay đổi của mô hình khi được huấn luyện trên các tập dữ liệu khác nhau. Phương sai cao thường xảy ra khi mô hình quá phức tạp và khớp quá chặt với dữ liệu huấn luyện, dẫn đến việc kém hiệu quả trên dữ liệu mới.

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.

Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới. Điều này có thể do nhiều nguyên nhân:

* Mô hình quá phức tạp (d): Một mô hình có quá nhiều tham số có thể "ghi nhớ" dữ liệu huấn luyện thay vì học các đặc trưng tổng quát.
* Phương sai cao và độ lệch thấp (c): Khi phương sai cao, mô hình rất nhạy cảm với những thay đổi nhỏ trong dữ liệu huấn luyện. Độ lệch thấp có nghĩa là mô hình phù hợp rất tốt với dữ liệu huấn luyện, bao gồm cả nhiễu.
* Quá nhiều nhiễu trong dữ liệu huấn luyện (b): Nếu dữ liệu huấn luyện chứa nhiều nhiễu (ví dụ: lỗi đo lường, dữ liệu không liên quan), mô hình có thể học cả những nhiễu này, dẫn đến overfitting.

Vì tất cả các yếu tố trên đều góp phần vào overfitting, đáp án đúng là "Tất cả các nguyên nhân đã đề cập".

Để xây dựng một mô hình học máy hoàn chỉnh, chúng ta thường cần ba loại tập dữ liệu:

* Tập huấn luyện (training set): Được sử dụng để huấn luyện mô hình, giúp mô hình học các mẫu và mối quan hệ từ dữ liệu.
* Tập xác thực (validation set): Được sử dụng để điều chỉnh các siêu tham số của mô hình và đánh giá hiệu suất của mô hình trong quá trình huấn luyện. Điều này giúp ngăn ngừa tình trạng quá khớp (overfitting).
* Tập kiểm tra (test set): Được sử dụng để đánh giá hiệu suất cuối cùng của mô hình sau khi đã hoàn thành quá trình huấn luyện và điều chỉnh. Tập kiểm tra cung cấp một đánh giá khách quan về khả năng tổng quát hóa của mô hình trên dữ liệu mới.

Do đó, đáp án c là chính xác nhất.

Câu hỏi này kiểm tra kiến thức về các loại bài toán phân loại trong machine learning.

* Phân loại nhị phân: Là bài toán phân loại mà nhãn mục tiêu chỉ có hai giá trị có thể (thường là 0 và 1, hoặc True và False, hoặc Positive và Negative). Ví dụ: xác định một email là spam hay không spam.
* Phân loại đa lớp: Là bài toán phân loại mà nhãn mục tiêu có nhiều hơn hai giá trị có thể. Ví dụ: phân loại ảnh thành chó, mèo, chim.

Trong trường hợp này, vì nhãn y chỉ có hai giá trị (0 hoặc 1), nên đây là bài toán phân loại nhị phân.

Do đó, đáp án đúng là b.