JavaScript is required

L1.X. Cách tiếp cận nào sau đây giúp tránh việc trang bị thiếu trang bị?

A.
Thực hiện kỹ thuật tính năng 
B.
Thực hiện tiền xử lý dữ liệu a cách khéo léo 
C.
Tăng độ phức tạp của mô hình 
D.
Tất cả các phương pháp được đề cập
Trả lời:

Đáp án đúng: D


Câu hỏi liên quan đến việc tránh tình trạng "trang bị thiếu" (underfitting) trong mô hình học máy. Dưới đây là phân tích chi tiết: * **a. Thực hiện kỹ thuật tính năng:** Việc lựa chọn, biến đổi, hoặc tạo ra các tính năng (features) phù hợp có thể giúp mô hình nắm bắt được các mối quan hệ quan trọng trong dữ liệu. Nếu các tính năng không đủ để mô tả dữ liệu một cách chính xác, mô hình sẽ bị underfitting. Do đó, kỹ thuật tính năng là một phương pháp quan trọng để giải quyết vấn đề này. * **b. Thực hiện tiền xử lý dữ liệu một cách khéo léo:** Tiền xử lý dữ liệu (data preprocessing) bao gồm các bước như làm sạch dữ liệu, xử lý giá trị thiếu, chuẩn hóa dữ liệu, và mã hóa dữ liệu. Nếu tiền xử lý không tốt, dữ liệu có thể bị mất thông tin quan trọng, dẫn đến underfitting. Tiền xử lý khéo léo giúp đảm bảo dữ liệu chất lượng và phù hợp cho mô hình học. * **c. Tăng độ phức tạp của mô hình:** Một mô hình quá đơn giản có thể không đủ khả năng để nắm bắt các mối quan hệ phức tạp trong dữ liệu, dẫn đến underfitting. Việc tăng độ phức tạp của mô hình (ví dụ: sử dụng mạng nơ-ron sâu hơn, thêm các tham số) có thể giúp mô hình học được các mẫu phức tạp hơn và giảm thiểu underfitting. Vì cả ba phương pháp trên đều có thể giúp tránh việc trang bị thiếu, đáp án đúng là: * **d. Tất cả các phương pháp được đề cập**

Câu hỏi liên quan