Một bài toán hồi quy trả về kết quả là... 

CRISP-DM (Cross-Industry Standard Process for Data Mining) là một quy trình tiêu chuẩn hóa trong ngành khai thác dữ liệu, định nghĩa một vòng đời cho các dự án phân tích dữ liệu dự đoán. Nó bao gồm các giai đoạn như: Business Understanding (Hiểu nghiệp vụ), Data Understanding (Hiểu dữ liệu), Data Preparation (Chuẩn bị dữ liệu), Modeling (Xây dựng mô hình), Evaluation (Đánh giá), và Deployment (Triển khai). Vì vậy, đáp án a là chính xác nhất. Các đáp án còn lại không chính xác vì: b. CRISP-DM không phải là một mô hình học máy; c. CRISP-DM không phải là một kho dữ liệu; d. CRISP-DM không chỉ là quy trình thu thập và tiền xử lý dữ liệu mà bao gồm nhiều giai đoạn khác.

Câu hỏi này kiểm tra kiến thức về các lĩnh vực khác nhau liên quan đến dữ liệu và học máy.

* a. Học máy: Học máy (Machine Learning) là một lĩnh vực của trí tuệ nhân tạo, tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu mà không cần được lập trình cụ thể. Mục tiêu của học máy là xây dựng các mô hình có thể dự đoán hoặc đưa ra quyết định dựa trên dữ liệu đã học. Việc phát hiện mối quan hệ giữa các đặc trưng mô tả và đặc trưng mục tiêu chính là một phần cốt lõi của học máy.

* b. Khai thác dữ liệu: Khai thác dữ liệu (Data Mining) là quá trình khám phá ra các mẫu, xu hướng và thông tin hữu ích từ các tập dữ liệu lớn. Mặc dù việc này có thể bao gồm việc phát hiện mối quan hệ giữa các đặc trưng, nhưng khai thác dữ liệu có phạm vi rộng hơn và không chỉ tập trung vào việc học từ dữ liệu để dự đoán.

* c. Khoa học dữ liệu: Khoa học dữ liệu (Data Science) là một lĩnh vực liên ngành sử dụng các phương pháp khoa học, thuật toán và hệ thống để trích xuất kiến thức và hiểu biết sâu sắc từ dữ liệu có cấu trúc và phi cấu trúc. Khoa học dữ liệu bao gồm nhiều giai đoạn, từ thu thập và làm sạch dữ liệu đến phân tích và trực quan hóa dữ liệu. Học máy là một công cụ quan trọng trong khoa học dữ liệu, nhưng khoa học dữ liệu không chỉ giới hạn ở học máy.

* d. Phát hiện đối tượng: Phát hiện đối tượng (Object Detection) là một nhiệm vụ cụ thể trong lĩnh vực thị giác máy tính, liên quan đến việc xác định và định vị các đối tượng trong hình ảnh hoặc video. Nó không liên quan trực tiếp đến việc phát hiện mối quan hệ giữa các đặc trưng trong một tập dữ liệu tổng quát.

Vì vậy, đáp án đúng nhất là a. Học máy, vì nó trực tiếp liên quan đến việc xây dựng các mô hình để phát hiện mối quan hệ giữa các đặc trưng mô tả và đặc trưng mục tiêu từ dữ liệu quan sát được.

Dưới khớp (underfitting) xảy ra khi mô hình không thể nắm bắt được cấu trúc cơ bản của dữ liệu. Điều này thường xảy ra do:

* Mô hình quá đơn giản: Mô hình không đủ phức tạp để biểu diễn mối quan hệ giữa các biến đầu vào và đầu ra.
* Thiếu dữ liệu huấn luyện đủ: Không có đủ dữ liệu để mô hình học được các mẫu quan trọng.
* Sai số cao và phương sai thấp: Mô hình không phù hợp với dữ liệu và có xu hướng dự đoán sai lệch một cách nhất quán.
* Tập dữ liệu huấn luyện không được làm sạch, chứa nhiễu: Dữ liệu nhiễu gây khó khăn cho mô hình trong việc xác định các mẫu hữu ích, dẫn đến hiệu suất kém.

Vì vậy, đáp án C ("Tất cả các yếu tố đều đúng vậy") là đáp án chính xác nhất vì nó bao gồm tất cả các nguyên nhân phổ biến gây ra hiện tượng dưới khớp.

Câu hỏi này kiểm tra hiểu biết về khái niệm dự đoán trong khoa học dữ liệu. Ta cần tìm phát biểu *sai*.

* a. Hồi quy là một nhiệm vụ của vấn đề dự đoán: Hồi quy là một kỹ thuật được sử dụng rộng rãi để dự đoán giá trị của một biến phụ thuộc dựa trên một hoặc nhiều biến độc lập. Do đó, đây là một nhiệm vụ quan trọng trong dự đoán. Phát biểu này đúng.
* b. Quá trình dự đoán thường dựa trên kinh nghiệm hoặc kiến thức, nhưng không phải lúc nào cũng vậy: Dự đoán thường sử dụng kinh nghiệm và kiến thức hiện có để xây dựng mô hình. Tuy nhiên, trong một số trường hợp, mô hình có thể được xây dựng hoàn toàn dựa trên dữ liệu mà không cần kiến thức chuyên môn. Phát biểu này đúng.
* c. Dự đoán dữ liệu bị thiếu hoặc không có sẵn cho một quan sát mới dựa trên dữ liệu quan sát được và một số giả định bổ sung: Đây là định nghĩa chính xác về cách dự đoán thường được thực hiện khi có dữ liệu thiếu hoặc cần dự đoán cho các quan sát mới. Phát biểu này đúng.
* d. Quá trình dự đoán trả về một giá trị rời rạc: Phát biểu này sai. Quá trình dự đoán có thể trả về cả giá trị rời rạc (ví dụ: phân loại) hoặc giá trị liên tục (ví dụ: hồi quy). Một mô hình dự đoán có thể dự đoán một lớp (rời rạc) hoặc một giá trị số (liên tục), tùy thuộc vào bài toán.

Vì vậy, đáp án sai là d.

Trong hồi quy logistic, mục tiêu là ước tính xác suất một sự kiện xảy ra. Để làm được điều này, chúng ta cần một hàm mất mát (loss function) để đo lường sự khác biệt giữa xác suất dự đoán và kết quả thực tế. Có một số hàm mất mát có thể được sử dụng, nhưng phổ biến nhất là:

* Mất mát logarithmic (Logarithmic Loss), còn được gọi là Cross-entropy loss: Đây là hàm mất mát tiêu chuẩn được sử dụng trong hồi quy logistic. Nó đo lường sự khác biệt giữa phân phối xác suất dự đoán và phân phối xác suất thực tế. Giá trị mất mát càng nhỏ, mô hình càng tốt.
* Xác suất hợp lý tối đa (Maximum Likelihood Estimation - MLE): Đây là phương pháp ước tính các tham số của mô hình bằng cách tìm các giá trị tham số tối đa hóa hàm hợp lý (likelihood function). Hàm hợp lý đo lường khả năng dữ liệu quan sát được tạo ra bởi mô hình với các tham số đã cho. Trong hồi quy logistic, việc tối đa hóa hàm hợp lý tương đương với việc giảm thiểu mất mát logarithmic (cross-entropy).

Các lựa chọn khác không phù hợp vì:

* Sai số bình phương nhỏ nhất (Least Squares Error): Thường được sử dụng trong hồi quy tuyến tính, không phù hợp cho hồi quy logistic vì nó không đảm bảo xác suất dự đoán nằm trong khoảng [0, 1].

Vì vậy, đáp án đúng nhất là d. Xác suất hợp lý tối đa vì nó là phương pháp nền tảng để ước tính các tham số của mô hình hồi quy logistic, và nó trực tiếp liên quan đến việc tối thiểu hóa hàm mất mát logarithmic (cross-entropy). Mất mát logarithmic và Cross entropy thực chất là một.