Mặc dù hồi quy logistic có từ "hồi quy" trong tên của nó, nhưng nó chủ yếu được sử dụng cho vấn đề phân loại. 

Câu hỏi này kiểm tra kiến thức về các loại bài toán phân loại trong học máy.

* Phân loại nhị phân (Binary Classification) là bài toán phân loại mà nhãn mục tiêu (y) chỉ có hai giá trị có thể, thường được biểu diễn là 0 hoặc 1, hoặc True/False, hoặc Positive/Negative. Ví dụ: phân loại email là spam hay không spam, phân loại một bệnh nhân có mắc bệnh hay không mắc bệnh.
* Phân loại nhiều lớp (Multiclass Classification) là bài toán phân loại mà nhãn mục tiêu (y) có thể nhận một trong nhiều hơn hai giá trị. Ví dụ: phân loại ảnh thành các loại khác nhau (mèo, chó, chim).

Do đó, đáp án đúng là "phân loại nhị phân".

Câu hỏi kiểm tra sự hiểu biết về các giả định của mô hình Logistic Regression. Một trong những giả định quan trọng của Logistic Regression là các điểm dữ liệu (các quan sát) phải độc lập với nhau. Điều này có nghĩa là giá trị của một điểm dữ liệu không ảnh hưởng đến giá trị của bất kỳ điểm dữ liệu nào khác. Nếu vi phạm giả định này (ví dụ, dữ liệu chuỗi thời gian), kết quả của Logistic Regression có thể không chính xác. Do đó, câu phát biểu "Logistic Regression ngầm định rằng các điểm dữ liệu độc lập theo cặp" là đúng.

Mô hình sau khi được huấn luyện sẽ được sử dụng để dự đoán kết quả đầu ra cho các trường hợp dữ liệu mới. Mục đích của việc huấn luyện mô hình là để nó có thể khái quát hóa từ dữ liệu đã học và áp dụng kiến thức đó cho các dữ liệu chưa từng thấy trước đây. Do đó, đáp án d là chính xác nhất.

* a. Không phải một trường hợp dữ liệu mới hoặc cũ: Sai, vì mô hình được sử dụng để dự đoán cho dữ liệu.
* b. Một trường hợp dữ liệu cũ: Sai, mô hình đã "học" dữ liệu cũ rồi, việc dự đoán trên dữ liệu cũ không có nhiều ý nghĩa.
* c. Cả trường hợp dữ liệu mới và cũ: Sai, trọng tâm chính là dữ liệu mới để kiểm tra khả năng khái quát hóa của mô hình.
* d. Một trường hợp dữ liệu mới: Đúng, đây là mục đích chính của việc huấn luyện mô hình.

Tập huấn luyện (training set) là tập hợp các trường hợp dữ liệu được sử dụng để huấn luyện mô hình, tức là điều chỉnh các tham số của mô hình trong quá trình học. Tập xác thực (validation set) được sử dụng để tinh chỉnh các siêu tham số của mô hình và đánh giá hiệu năng của mô hình trong quá trình huấn luyện. Tập kiểm tra (test set) được sử dụng để đánh giá hiệu năng cuối cùng của mô hình sau khi đã hoàn thành quá trình huấn luyện và tinh chỉnh. Tập lưu trữ không phải là một khái niệm thường được sử dụng trong ngữ cảnh này.

Tập kiểm tra (test set) là tập hợp các trường hợp dữ liệu được sử dụng để đánh giá hiệu năng của mô hình sau khi đã huấn luyện và điều chỉnh các tham số. Mục đích của tập kiểm tra là ước tính khả năng khái quát hóa của mô hình đối với dữ liệu mới, chưa từng thấy trước đó. Tập kiểm tra phải được giữ riêng biệt và không được sử dụng trong quá trình huấn luyện hoặc điều chỉnh mô hình. Do đó, đáp án a là chính xác. Các đáp án còn lại không đúng vì:
- Tập lưu trữ (b) không phải là thuật ngữ chuẩn trong machine learning.
- Tập xác thực (c) được sử dụng để điều chỉnh các siêu tham số của mô hình trong quá trình huấn luyện.
- Tập huấn luyện (d) được sử dụng để huấn luyện mô hình.