L1.X. Nếu a mô hình học máy phù hợp tốt trên tập huấn luyện nhưng hoạt động kém trên tập kiểm tra thì mô hình đó sẽ bị ...

Câu hỏi này liên quan đến các nguyên nhân dẫn đến việc trang bị (mô hình) không phù hợp trong học máy hoặc các hệ thống tương tự. Chúng ta cần xem xét từng đáp án để xác định lý do chính xác.

* a. Mô hình quá đơn giản: Một mô hình quá đơn giản (underfitting) có thể không nắm bắt được các mối quan hệ phức tạp trong dữ liệu, dẫn đến hiệu suất kém.
* b. Không đủ dữ liệu đào tạo: Khi không có đủ dữ liệu đào tạo, mô hình có thể không học được các đặc trưng quan trọng, dẫn đến hiệu suất kém.
* c. Tất cả các yếu tố đều đúng: Đây là một khả năng, nhưng cần xem xét kỹ các yếu tố khác.
* d. Độ lệch cao và phương sai thấp: Độ lệch cao (high bias) thường xảy ra khi mô hình quá đơn giản và không khớp với dữ liệu. Phương sai thấp (low variance) có nghĩa là mô hình nhất quán trên các tập dữ liệu khác nhau, nhưng nếu độ lệch cao, nó vẫn sẽ hoạt động kém.
* đ. Tập dữ liệu huấn luyện không được làm sạch, chứa tiếng ồn: Dữ liệu nhiễu (noise) có thể làm cho mô hình học các mẫu không chính xác, dẫn đến hiệu suất kém.

Trong các lựa chọn trên, tất cả các yếu tố (mô hình quá đơn giản, không đủ dữ liệu, độ lệch cao/phương sai thấp, dữ liệu nhiễu) đều có thể dẫn đến việc trang bị không phù hợp. Do đó, đáp án "c. Tất cả các yếu tố đều đúng" là đáp án chính xác nhất.

Phân cụm (clustering) là một kỹ thuật trong học máy (machine learning) thuộc loại học không giám sát (unsupervised learning). Trong học không giám sát, thuật toán được cung cấp dữ liệu mà không có nhãn (labels) hoặc kết quả đầu ra mong muốn trước. Mục tiêu của thuật toán là tìm ra các cấu trúc ẩn, nhóm các điểm dữ liệu tương tự lại với nhau dựa trên một số tiêu chí (ví dụ: khoảng cách, mật độ).

* Lựa chọn tính năng (Feature Selection): Là quá trình chọn ra một tập hợp con các thuộc tính (features) quan trọng nhất từ dữ liệu ban đầu. Nó không liên quan trực tiếp đến việc nhóm các điểm dữ liệu.
* Học tăng cường (Reinforcement Learning): Là một loại học máy trong đó một tác nhân (agent) học cách đưa ra các quyết định trong một môi trường để tối đa hóa một phần thưởng tích lũy. Nó không liên quan đến việc phân nhóm dữ liệu.
* Học tập không giám sát (Unsupervised Learning): Là loại học máy mà thuật toán học từ dữ liệu không có nhãn. Phân cụm là một ví dụ điển hình của học không giám sát.
* Học tập có giám sát (Supervised Learning): Là loại học máy mà thuật toán học từ dữ liệu có nhãn. Mục tiêu là học một hàm ánh xạ đầu vào tới đầu ra dựa trên dữ liệu huấn luyện có nhãn.

Vì vậy, đáp án đúng là C: Học tập không giám sát.

Bài toán hồi quy trong machine learning có mục tiêu dự đoán một giá trị số thực liên tục. Các thuật toán hồi quy được sử dụng để ước lượng các giá trị số, ví dụ như dự đoán giá nhà, nhiệt độ, hoặc doanh thu. Do đó, đáp án đúng là "c. A số thực". Các đáp án còn lại không phù hợp vì giá trị phân loại và giá trị rời rạc thường liên quan đến các bài toán phân loại, còn số phức không được sử dụng trong các bài toán hồi quy thông thường.

Tập huấn luyện (training set) là tập hợp các mẫu dữ liệu được sử dụng để huấn luyện mô hình học máy. Trong quá trình huấn luyện, mô hình sẽ học cách ánh xạ các đặc trưng đầu vào đến nhãn đầu ra dựa trên các mẫu dữ liệu trong tập huấn luyện. Các phương án khác không liên quan đến quá trình huấn luyện mô hình.

Khi mô hình học máy không thể nắm bắt được mẫu cơ bản bên trong dữ liệu, điều này có nghĩa là mô hình quá đơn giản và không đủ phức tạp để biểu diễn mối quan hệ trong dữ liệu. Tình trạng này được gọi là "thiếu trang bị" (underfitting).

* Thiếu trang bị (Underfitting): Xảy ra khi mô hình quá đơn giản để nắm bắt các mối quan hệ phức tạp trong dữ liệu. Nó thường dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
* Trang bị quá mức (Overfitting): Xảy ra khi mô hình quá phức tạp và học cả nhiễu trong dữ liệu huấn luyện. Nó thường dẫn đến hiệu suất rất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.

Trong trường hợp này, vì mô hình không thể nắm bắt được mẫu cơ bản, nên nó đang bị thiếu trang bị.