Hãy xem xét mô hình hồi quy logistic sau: P(y=1|x, w) = g(w0 + w1x), trong đó g(z) là hàm logistic và P (y =1|xw), được xem như a hàm của x, mà chúng ta có thể nhận được bằng cách thay đổi các tham số w. Phạm vi của P trong trường hợp này sẽ là bao nhiêu? 

Tỷ lệ cơ hội (odds) được tính bằng tỷ lệ giữa số trường hợp thành công và số trường hợp thất bại. Trong trường hợp đồng xu công bằng, có một trường hợp thành công (mặt ngửa) và một trường hợp thất bại (mặt sấp). Do đó, tỷ lệ cơ hội là 1:1, hay đơn giản là 1.

Câu hỏi này kiểm tra khả năng áp dụng hàm sigmoid để phân loại dữ liệu. Ta có h(z) = 1 / (1 + e^(-z)), với z = 3 + x. Nếu x = 2023, thì z = 3 + 2023 = 2026. Do đó, h(z) = 1 / (1 + e^(-2026)). Vì e^(-2026) là một số rất nhỏ (gần bằng 0), h(z) sẽ rất gần với 1. Vì ngưỡng cho lớp dương là 0.5, và h(z) > 0.5, nhãn của điểm dữ liệu này là dương.

Tiền xử lý dữ liệu là một bước cực kỳ quan trọng trong quy trình xây dựng mô hình học máy. Dữ liệu thu thập được thường chứa nhiều vấn đề như giá trị thiếu, nhiễu, không nhất quán, hoặc định dạng không phù hợp. Việc tiền xử lý giúp làm sạch dữ liệu, xử lý các giá trị thiếu, loại bỏ nhiễu, chuyển đổi dữ liệu về định dạng phù hợp, và thực hiện các kỹ thuật như chuẩn hóa hoặc rời rạc hóa. Dữ liệu đã được tiền xử lý sẽ giúp mô hình học máy học hiệu quả hơn, tăng độ chính xác và giảm thiểu sai sót. Vì vậy, việc nói rằng tất cả dữ liệu cần được tiền xử lý là hoàn toàn chính xác.

Khi một mô hình học máy hoạt động tốt trên tập huấn luyện nhưng kém trên tập kiểm tra, điều này cho thấy mô hình đã học quá kỹ các chi tiết và nhiễu trong dữ liệu huấn luyện. Kết quả là, nó trở nên quá phức tạp và không thể khái quát hóa tốt cho dữ liệu mới (tập kiểm tra). Hiện tượng này được gọi là "quá khớp" (over-fitting).