L3. Quá trình lựa chọn, thao tác và chuyển đổi dữ liệu thô thành các tính năng có thể được sử dụng hiệu quả bằng các thuật toán học có giám sát thường được ưu tiên hơn ... 

Khi mô hình hồi quy tuyến tính không phù hợp với dữ liệu, có một số cách để cải thiện mô hình.

- Thêm nhiều biến hơn (1): Việc thêm các biến có thể giúp mô hình nắm bắt được các mối quan hệ phức tạp hơn trong dữ liệu. Tuy nhiên, cần cẩn trọng để tránh overfitting (mô hình quá khớp với dữ liệu huấn luyện và hoạt động kém trên dữ liệu mới).
- Giới thiệu các biến đa thức (2): Nếu mối quan hệ giữa các biến độc lập và biến phụ thuộc không tuyến tính, việc thêm các biến đa thức (ví dụ: x^2, x^3) có thể giúp mô hình phù hợp hơn.
- Loại bỏ một số biến (3): Trong một số trường hợp, việc loại bỏ các biến không liên quan hoặc gây nhiễu có thể cải thiện hiệu suất của mô hình. Tuy nhiên, cần cân nhắc kỹ lưỡng trước khi loại bỏ bất kỳ biến nào, vì có thể vô tình loại bỏ thông tin quan trọng.

Do đó, cả ba lựa chọn trên đều có thể được cân nhắc để cải thiện mô hình hồi quy tuyến tính không phù hợp, tùy thuộc vào tình huống cụ thể và đặc điểm của dữ liệu.

Câu hỏi này liên quan đến việc lựa chọn phương pháp chính quy hóa phù hợp khi mô hình hồi quy tuyến tính không phù hợp với dữ liệu. Trong trường hợp mô hình hồi quy tuyến tính không phù hợp (underfitting), việc áp dụng các phương pháp chính quy hóa L1 (Lasso) hoặc L2 (Ridge) thường không mang lại hiệu quả đáng kể, thậm chí có thể làm giảm hiệu suất của mô hình. Lý do là vì các phương pháp chính quy hóa này chủ yếu được sử dụng để giảm hiện tượng quá khớp (overfitting) bằng cách thêm một khoản phạt vào các hệ số của mô hình, từ đó làm giảm độ phức tạp của mô hình. Khi mô hình đã không phù hợp, việc giảm độ phức tạp hơn nữa thường không giúp cải thiện khả năng dự đoán. Thay vào đó, cần xem xét các phương pháp khác như thêm các biến hoặc đặc trưng mới, sử dụng mô hình phức tạp hơn hoặc điều chỉnh các siêu tham số của mô hình. Vì vậy, đáp án phù hợp nhất là 'Không có phương pháp nào được đề cập'.

Công thức sigmoid là h(z) = 1 / (1 + e^(-z)).

* Khi z tiến tới vô cùng dương (+∞), e^(-z) tiến tới 0, do đó h(z) tiến tới 1 / (1 + 0) = 1.
* Khi z tiến tới vô cùng âm (-∞), e^(-z) tiến tới vô cùng, do đó h(z) tiến tới 1 / (1 + ∞) = 0.
* Khi z = 0, h(z) = 1 / (1 + e^(0)) = 1 / (1 + 1) = 1/2.

Vậy, phương án a và b đều đúng (do giống nhau).

Cách tiếp cận được mô tả là SAI. Trong bài toán phân loại đa lớp sử dụng hồi quy logistic, chúng ta huấn luyện một bộ phân loại hồi quy logistic cho mỗi lớp để dự đoán xác suất một mẫu thuộc về lớp đó. Khi đưa ra dự đoán cho một mẫu mới, chúng ta chọn lớp có xác suất dự đoán *cao nhất* (tức là lớp i mà h_i(x) *tối đa* hóa), chứ không phải lớp có xác suất dự đoán thấp nhất (tức là lớp i mà h_i(x) *tối thiểu* hóa). Việc chọn lớp có xác suất thấp nhất là hoàn toàn trái ngược với mục tiêu của bài toán phân loại.

Khi x = -2, ta có z = 2 + x = 2 + (-2) = 0.
Vậy h(z) = sigmoid(z) = 1 / (1 + e^(-z)) = 1 / (1 + e^0) = 1 / (1 + 1) = 1 / 2 = 0.5.
Do đó, đáp án đúng là 0.5.