L3. Giá trị trung bình của chênh lệch bình phương giữa dữ liệu và giá trị trung bình được gọi là ... 

Trong phương trình tuyến tính "giá = Theta_0 + Theta_1*size", Theta_0 và Theta_1 là các hệ số xác định mối quan hệ giữa kích thước (size) và giá. Chúng là các thông số của mô hình, quyết định hình dạng và vị trí của đường thẳng biểu diễn mối quan hệ này.

* Biến độc lập (A) là 'size', biến được sử dụng để dự đoán.
* Giả thuyết (B) là một phát biểu hoặc giả định về mối quan hệ giữa các biến, không phải là bản thân các hệ số.
* Biến phụ thuộc (D) là 'giá', biến được dự đoán.

Do đó, đáp án đúng là C.

Hàm sigmoid được sử dụng trong hồi quy logistic vì đầu ra của nó nằm trong khoảng (0, 1), điều này cho phép chúng ta diễn giải giá trị này như là xác suất của biến mà chúng ta quan tâm. Các lựa chọn khác không phải là lý do chính cho việc sử dụng hàm sigmoid trong hồi quy logistic.

- A: Hàm sigmoid khả vi trên mọi số thực là đúng, nhưng không phải là lý do chính.
- B: Không có giả định nào về phân phối chuẩn của các lớp trong hồi quy logistic.

Trong mô hình hồi quy logistic, đầu vào x có thể nhận bất kỳ giá trị nào từ âm vô cùng đến dương vô cùng. Hàm logistic g(z) = 1 / (1 + e^(-z)) nhận đầu vào z là một số thực bất kỳ (trong trường hợp này, z = w0 + w1x) và ánh xạ nó vào khoảng (0, 1), biểu diễn xác suất P(y=1|x, w). Do đó, x không bị giới hạn trong một khoảng cụ thể nào.

Phương pháp One-Vs-All (hay còn gọi là One-Vs-Rest) là một kỹ thuật được sử dụng trong bài toán phân loại đa lớp. Trong đó, chúng ta sẽ huấn luyện n mô hình, mỗi mô hình sẽ phân biệt một lớp cụ thể với tất cả các lớp còn lại.

* Phương án a: Sai. Chúng ta cần n mô hình, không phải n-1.
* Phương án b: Sai. Có một đáp án đúng trong các lựa chọn.
* Phương án c: Đúng. Đúng như định nghĩa của phương pháp One-Vs-All.
* Phương án d: Sai. Cần n mô hình, không phải 1.

Vậy đáp án đúng là: Chúng ta cần điều chỉnh n mô hình trong bài toán phân loại n lớp

Mô hình hồi quy logistic có thể được mở rộng để xử lý các bài toán phân loại đa lớp (nhiều hơn 2 lớp) thông qua các phương pháp như one-vs-rest (OvR) hoặc softmax regression (còn gọi là multinomial logistic regression). Trong phương pháp OvR, ta xây dựng một mô hình logistic riêng biệt cho mỗi lớp, phân biệt lớp đó với tất cả các lớp còn lại. Softmax regression trực tiếp mô hình hóa xác suất của mỗi lớp và thường được sử dụng khi các lớp là mutually exclusive (mỗi điểm dữ liệu chỉ thuộc về một lớp duy nhất). Do đó, khẳng định mô hình hồi quy logistic có thể áp dụng cho bài toán phân loại 3 lớp là đúng.