Quá trình giảm số chiều của tập đặc trưng được gọi là ... Lựa chọn:

Câu hỏi đề cập đến việc xây dựng mô hình dự đoán bằng cách huấn luyện trên tập dữ liệu quan sát. Đây là đặc điểm cốt lõi của học máy (Machine Learning).

* a. Khai thác dữ liệu (Data Mining): Là quá trình khám phá các mẫu và tri thức ẩn từ lượng lớn dữ liệu. Mặc dù khai thác dữ liệu có thể sử dụng các kỹ thuật học máy, nhưng nó bao gồm nhiều bước hơn, không chỉ là huấn luyện mô hình dự đoán.
* b. Hệ thống quản lý quan hệ khách hàng (CRM): Là hệ thống quản lý tương tác và dữ liệu khách hàng. CRM có thể sử dụng các mô hình dự đoán, nhưng bản thân nó không phải là phương pháp xây dựng mô hình.
* c. Học máy (Machine Learning): Đúng. Học máy tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu mà không cần được lập trình một cách rõ ràng. Việc huấn luyện mô hình dự đoán từ dữ liệu quan sát là một phần quan trọng của học máy.
* d. Khoa học dữ liệu (Data Science): Là một lĩnh vực rộng hơn bao gồm việc thu thập, xử lý, phân tích và diễn giải 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 việc xây dựng mô hình dự đoán.

Do đó, đáp án chính xác nhất là c. Học máy vì nó trực tiếp liên quan đến việc huấn luyện mô hình dự đoán từ dữ liệu.

Gom cụm (clustering) là một kỹ thuật trong học máy, thuộc nhóm học không giám sát (unsupervised learning). Trong học không giám sát, thuật toán không được cung cấp nhãn hoặc kết quả đầu ra mong muốn trước. Thay vào đó, thuật toán phải tự khám phá ra các cấu trúc, mẫu hoặc nhóm (cụm) trong dữ liệu. Gom cụm thực hiện việc này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau dựa trên một số độ đo khoảng cách hoặc độ tương đồng.

* a. Học có giám sát: Trong học có giám sát, thuật toán được huấn luyện trên một tập dữ liệu đã được gán nhãn, và mục tiêu là học một hàm ánh xạ từ đầu vào sang đầu ra. Ví dụ: phân loại (classification) và hồi quy (regression).
* b. Học tăng cường: Học tăng cường (reinforcement learning) là một loại học máy, trong đó một tác nhân (agent) học cách hành động trong một môi trường để tối đa hóa một khái niệm về "phần thưởng" tích lũy.
* c. Lựa chọn đặc trưng: Lựa chọn đặc trưng (feature selection) là quá trình chọn một tập con các đặc trưng có liên quan nhất từ tập dữ liệu ban đầu. Mục tiêu là cải thiện hiệu suất của mô hình học máy.
* d. Học không giám sát: Như đã giải thích ở trên, gom cụm là một ví dụ điển hình của học không giám sát.

Do đó, đáp án đúng là d.

Câu hỏi này kiểm tra kiến thức về các loại sai số trong mô hình học máy. Trong đó, độ lệch (bias) là sai số do việc đơn giản hóa quá mức mô hình, dẫn đến việc mô hình không thể nắm bắt được các mối quan hệ phức tạp trong dữ liệu. Điều này gây ra sự khác biệt lớn giữa dự đoán của mô hình và giá trị thực tế.

* Nhiễu (noise) là dữ liệu không liên quan hoặc không chính xác có thể làm ảnh hưởng đến mô hình.
* Tín hiệu (signal) là thông tin hữu ích trong dữ liệu.
* Phương sai (variance) là mức độ thay đổi của mô hình khi được huấn luyện trên các tập dữ liệu khác nhau. Phương sai cao thường xảy ra khi mô hình quá phức tạp và khớp quá chặt với dữ liệu huấn luyện, dẫn đến việc kém hiệu quả trên dữ liệu mới.

Câu hỏi này liên quan đến quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining) và yêu cầu xác định giai đoạn nào quan trọng trong việc ngăn ngừa overfitting (mô hình quá khớp) và underfitting (mô hình kém khớp).

* a. Đánh giá: Giai đoạn đánh giá tập trung vào việc đo lường hiệu suất của mô hình đã xây dựng và so sánh nó với các mục tiêu kinh doanh đã đặt ra. Việc đánh giá mô hình một cách cẩn thận, sử dụng các bộ dữ liệu kiểm tra (validation set) và các kỹ thuật đánh giá phù hợp, giúp phát hiện ra các vấn đề như overfitting hoặc underfitting. Nếu mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra, đó là dấu hiệu của overfitting. Ngược lại, nếu mô hình hoạt động kém trên cả hai tập dữ liệu, đó có thể là underfitting. Do đó, giai đoạn đánh giá đóng vai trò quan trọng trong việc đảm bảo mô hình không gặp các vấn đề này.

* b. Hiểu về kinh doanh: Giai đoạn này tập trung vào việc hiểu rõ mục tiêu kinh doanh và yêu cầu của dự án khai phá dữ liệu. Mặc dù quan trọng, giai đoạn này không trực tiếp liên quan đến việc kiểm tra overfitting/underfitting.

* c. Mô hình hóa: Giai đoạn mô hình hóa là nơi các thuật toán học máy được áp dụng để xây dựng mô hình dự đoán. Mặc dù việc lựa chọn thuật toán và điều chỉnh các tham số có thể ảnh hưởng đến việc overfitting/underfitting, nhưng việc đánh giá mô hình mới là bước xác định rõ ràng nhất vấn đề này.

* d. Triển khai: Giai đoạn triển khai liên quan đến việc đưa mô hình vào sử dụng trong thực tế. Giai đoạn này không trực tiếp giải quyết vấn đề overfitting/underfitting.

Vì vậy, đáp án đúng là a. Đánh giá vì đây là giai đoạn mà các vấn đề overfitting và underfitting được phát hiện và xử lý thông qua việc sử dụng các tập dữ liệu kiểm tra và các kỹ thuật đánh giá mô hình phù hợp.

Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới. Điều này có thể do nhiều nguyên nhân:

* Mô hình quá phức tạp (d): Một mô hình có quá nhiều tham số có thể "ghi nhớ" dữ liệu huấn luyện thay vì học các đặc trưng tổng quát.
* Phương sai cao và độ lệch thấp (c): Khi phương sai cao, mô hình rất nhạy cảm với những thay đổi nhỏ trong dữ liệu huấn luyện. Độ lệch thấp có nghĩa là mô hình phù hợp rất tốt với dữ liệu huấn luyện, bao gồm cả nhiễu.
* Quá nhiều nhiễu trong dữ liệu huấn luyện (b): Nếu dữ liệu huấn luyện chứa nhiều nhiễu (ví dụ: lỗi đo lường, dữ liệu không liên quan), mô hình có thể học cả những nhiễu này, dẫn đến overfitting.

Vì tất cả các yếu tố trên đều góp phần vào overfitting, đáp án đúng là "Tất cả các nguyên nhân đã đề cập".