Nguyên nhân gây dưới khớp là gì? 

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.

Độ chính xác (Accuracy) thường được sử dụng để đánh giá hiệu suất của các mô hình phân loại, đo lường tỷ lệ dự đoán đúng trên tổng số dự đoán. Điểm F (F-score) là trung bình điều hòa của precision và recall, cũng được dùng phổ biến trong đánh giá mô hình phân loại, đặc biệt khi dữ liệu mất cân bằng. TPR (True Positive Rate) và FNR (False Negative Rate) là các độ đo đánh giá hiệu suất của mô hình trong việc phát hiện các trường hợp dương tính và âm tính, nhưng không phải là độ đo duy nhất. Trong hồi quy logistic, điểm F thường được sử dụng để đánh giá mô hình.

Do đó, đáp án đúng là d.

Thuật toán K-means là một thuật toán phân cụm dữ liệu, trong đó mục tiêu là chia n điểm dữ liệu thành k cụm, sao cho mỗi điểm thuộc về cụm gần nhất (được định nghĩa bởi khoảng cách).

Phát biểu không đúng trong các lựa chọn là: a. Biết nhãn của từng điểm dữ liệu. Vì K-means là thuật toán học không giám sát (unsupervised learning), nên không yêu cầu phải biết trước nhãn của dữ liệu.

Các phát biểu còn lại đều đúng:
- b. Cụm là tập hợp các điểm dữ liệu có vector đặc trưng gần nhau (đúng theo định nghĩa của phân cụm).
- c. Khoảng cách Euclid thường được sử dụng để xác định khoảng cách giữa các vector đặc trưng với tâm của mỗi cụm (đây là một phương pháp phổ biến).

Máy vector hỗ trợ (SVM) lề mềm được thiết kế để xử lý dữ liệu mà không thể phân tách hoàn toàn tuyến tính. Điều này có nghĩa là nó chấp nhận một số sai sót trong phân loại để đạt được một mô hình tổng quát tốt hơn.

* a. Phân loại chính xác hai lớp dữ liệu: SVM lề mềm không đảm bảo phân loại chính xác hoàn toàn, đặc biệt khi dữ liệu có nhiễu hoặc không thể phân tách tuyến tính.
* b. Dữ liệu phi tuyến tính: SVM có thể xử lý dữ liệu phi tuyến tính bằng cách sử dụng kernel trick, nhưng lề mềm là một khái niệm riêng biệt liên quan đến việc cho phép sai sót.
* c. Chấp nhận sai sót tại một vài điểm dữ liệu: Đây là đặc điểm chính của SVM lề mềm. Nó cho phép một số điểm dữ liệu nằm sai phía của biên hoặc nằm trong vùng lề để tránh overfitting và cải thiện khả năng tổng quát hóa.
* d. Biến đổi dữ liệu từ không gian đặc trưng ban đầu thành dữ liệu trong không gian mới: Đây là vai trò của kernel trick trong SVM, không phải là đặc điểm riêng của lề mềm.

Do đó, đáp án đúng nhất là c. Chấp nhận sai sót tại một vài điểm dữ liệu.