Theo bài giảng, giá nhà được xác định như sau: giá = Theta_0 + Theta_1*size. Thuật ngữ 'kích thước' được gọi là ... 

Giá trị trung bình của một tập dữ liệu, trong thống kê, còn được gọi là "Mean" (Trung bình cộng). Đây là tổng của tất cả các giá trị trong tập dữ liệu chia cho số lượng giá trị đó. Các lựa chọn khác không phải là giá trị trung bình:

* Độ lệch chuẩn: Đo lường mức độ phân tán của dữ liệu.
* Bình phương R: Một thước đo thống kê thể hiện tỷ lệ phương sai trong một biến phụ thuộc được dự đoán từ một hoặc nhiều biến độc lập.
* Phương sai: Đo lường mức độ biến động của dữ liệu xung quanh giá trị trung bình.

Mô hình hồi quy logistic được sử dụng để dự đoán xác suất của một biến mục tiêu thuộc về một lớp hoặc danh mục cụ thể. Do đó, đầu ra của mô hình hồi quy logistic là một giá trị liên tục nằm trong khoảng từ 0 đến 1, thể hiện xác suất ước tính. Tuy nhiên, để đưa ra dự đoán phân loại, một ngưỡng thường được áp dụng (ví dụ: 0,5) để chuyển đổi xác suất liên tục thành một giá trị phân loại (ví dụ: 0 hoặc 1). Vì vậy, mặc dù đầu ra trực tiếp là một giá trị liên tục (xác suất), mục đích chính của hồi quy logistic là để thực hiện phân loại. Trong các phương án đưa ra, đáp án 'giá trị phân loại' thể hiện mục đích sử dụng của mô hình sau khi áp dụng ngưỡng, trong khi 'giá trị liên tục' mô tả bản chất trực tiếp của đầu ra xác suất. Vì câu hỏi hỏi về "đầu ra được dự đoán", đáp án 'giá trị liên tục' phù hợp hơn.

Trong mô hình hồi quy logistic, hàm sigmoid (còn được gọi là hàm logistic) được sử dụng để chuyển đổi đầu ra của mô hình thành một giá trị nằm trong khoảng (0, 1). Hàm sigmoid có dạng:

σ(x) = 1 / (1 + exp(-x))

Trong đó, x là đầu ra của mô hình hồi quy tuyến tính (wTx + b). Hàm sigmoid nhận bất kỳ giá trị thực nào làm đầu vào và trả về một giá trị nằm giữa 0 và 1. Giá trị này có thể được hiểu là xác suất của một sự kiện xảy ra.

Các phương án khác không đúng vì:

* Hàm khả năng ghi nhật ký (Log-likelihood function) được sử dụng để ước tính các tham số của mô hình, không phải để chia tỷ lệ giá trị đầu ra.
* Hàm odds (tỷ lệ cược) là tỷ lệ giữa xác suất thành công và xác suất thất bại, không nằm trong khoảng (0, 1).

Vì vậy, đáp án đúng là hàm sigmoid.

Hàm logit, ký hiệu là l(x), thực sự là log của tỷ lệ cược (log odds). Tỷ lệ cược được tính bằng xác suất thành công chia cho xác suất thất bại. Do đó, khẳng định trong câu hỏi là đúng.

Câu hỏi này kiểm tra kiến thức về hình dạng của ranh giới quyết định trong hồi quy logistic khi sử dụng nhiều đặc trưng. Trong hồi quy logistic, ranh giới quyết định là một siêu phẳng (hyperplane) trong không gian các đặc trưng. Cụ thể:

* Nếu chỉ có một hoặc hai đặc trưng: Ranh giới quyết định có thể là một đường thẳng (trong không gian 2D) hoặc một mặt phẳng (trong không gian 3D).
* Nếu có nhiều hơn ba đặc trưng: Ranh giới quyết định sẽ là một siêu phẳng trong không gian *R*ⁿ, với *n* là số lượng đặc trưng. Siêu phẳng này là một không gian con (subspace) có chiều nhỏ hơn không gian gốc một đơn vị.

Do đó, đáp án đúng là một siêu phẳng trong không gian *R*ⁿ.

Các lựa chọn khác không chính xác vì:

* a. một mặt phẳng: Chỉ đúng khi có 3 đặc trưng (bao gồm cả biến chặn).
* c. không thể quyết định: Hình dạng ranh giới quyết định hoàn toàn xác định được bởi mô hình.
* d. một đường thẳng: Chỉ đúng khi có 2 đặc trưng (bao gồm cả biến chặn).