Theo bài giảng, giả thuyết h(z] = sigmoid(z) = 1/[1+e^(-z)] (z = Theta_0+ Theta_1*x), chọn phát biểu đúng? 

Cách tiếp cận được mô tả là SAI. Trong bài toán phân loại đa lớp sử dụng hồi quy logistic, chúng ta huấn luyện một bộ phân loại hồi quy logistic cho mỗi lớp để dự đoán xác suất một mẫu thuộc về lớp đó. Khi đưa ra dự đoán cho một mẫu mới, chúng ta chọn lớp có xác suất dự đoán *cao nhất* (tức là lớp i mà h_i(x) *tối đa* hóa), chứ không phải lớp có xác suất dự đoán thấp nhất (tức là lớp i mà h_i(x) *tối thiểu* hóa). Việc chọn lớp có xác suất thấp nhất là hoàn toàn trái ngược với mục tiêu của bài toán phân loại.

Khi x = -2, ta có z = 2 + x = 2 + (-2) = 0.
Vậy h(z) = sigmoid(z) = 1 / (1 + e^(-z)) = 1 / (1 + e^0) = 1 / (1 + 1) = 1 / 2 = 0.5.
Do đó, đáp án đúng là 0.5.

Mô hình hồi quy logistic là một mô hình tuyến tính. Nó cố gắng tìm một siêu phẳng (trong không gian nhiều chiều) để phân tách các lớp. Do đó, nó không hiệu quả khi dữ liệu được phân tách phi tuyến tính, vì một đường thẳng hoặc một mặt phẳng không thể phân tách chính xác các điểm dữ liệu thuộc các lớp khác nhau trong trường hợp này. Vì vậy, khẳng định "Mô hình hồi quy logistic KHÔNG tốt cho tập dữ liệu phân tách phi tuyến tính" là đúng.

Hồi quy logistic, mặc dù có từ "hồi quy" trong tên gọi, nhưng thực tế lại là một thuật toán phân loại. Nó ước tính xác suất một biến thuộc về một lớp nhất định. Vì vậy, câu trả lời A là đúng.

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".