Thuật ngữ nào sau đây xác định tỷ lệ phương sai của biến phụ thuộc có thể được giải thích bằng biến độc lập.

Câu 23:

Trong học máy, tập dữ liệu được xử lý trước thường được chia thành các tập con trong quá trình tìm kiếm mô hình “tốt”. Các tập hợp con này là ...

Lời giải:

Đáp án đúng: B

Trong học máy, việc chia tập dữ liệu thành các tập con là một bước quan trọng để đánh giá và lựa chọn mô hình phù hợp.

- Tập huấn luyện (training set): Được sử dụng để huấn luyện mô hình, tức là để mô hình học các mối quan hệ trong dữ liệu.
- Tập kiểm tra (test set): Được sử dụng để đánh giá hiệu năng của mô hình sau khi đã huấn luyện. Tập này giúp ước lượng khả năng tổng quát hóa của mô hình trên dữ liệu mới, chưa từng thấy.
- Tập xác nhận (validation set): Được sử dụng để tinh chỉnh các siêu tham số (hyperparameters) của mô hình trong quá trình huấn luyện. Việc này giúp tối ưu hóa mô hình để đạt hiệu năng tốt nhất trên tập kiểm tra.

Vì vậy, đáp án đúng là b. tập kiểm tra, tập huấn luyện và tập xác nhận. Các đáp án khác chỉ liệt kê một phần của quá trình này và không đầy đủ.

Ví dụ:
Khi xây dựng một mô hình dự đoán giá nhà, chúng ta có thể chia dữ liệu thành:
- 70% dữ liệu cho tập huấn luyện.
- 15% dữ liệu cho tập xác nhận.
- 15% dữ liệu cho tập kiểm tra.

Câu 24:

Căn bậc hai của sự khác biệt bình phương trung bình giữa dữ liệu và giá trị trung bình được gọi là ...

Lời giải:

Đáp án đúng: B

Câu hỏi này kiểm tra kiến thức về các khái niệm thống kê cơ bản. Cụ thể, nó hỏi về tên gọi của một đại lượng đo lường độ phân tán của dữ liệu.

* Độ lệch chuẩn là căn bậc hai của phương sai. Phương sai là trung bình của các bình phương độ lệch của mỗi giá trị so với giá trị trung bình. Do đó, "căn bậc hai của sự khác biệt bình phương trung bình giữa dữ liệu và giá trị trung bình" chính là định nghĩa của độ lệch chuẩn.
* Trung bình là tổng của tất cả các giá trị chia cho số lượng giá trị.
* R-bình phương là một thước đo thống kê thể hiện tỷ lệ phương sai trong một biến phụ thuộc được dự đoán từ một biến độc lập.
* Phương sai là trung bình của các bình phương độ lệch của mỗi giá trị so với giá trị trung bình.

Vậy, đáp án đúng là độ lệch chuẩn.

Câu 25:

L3. Quá trình lựa chọn, thao tác và chuyển đổi dữ liệu thô thành các tính năng có thể được sử dụng hiệu quả bằng các thuật toán học có giám sát thường được ưu tiên hơn ...

Lời giải:

Đáp án đúng: C

Kỹ thuật tính năng (feature engineering) là quá trình lựa chọn, thao tác và chuyển đổi dữ liệu thô thành các tính năng (features) có thể được sử dụng hiệu quả trong các thuật toán học có giám sát (supervised learning). Đây là một bước quan trọng trong quá trình xây dựng mô hình học máy, vì chất lượng của các tính năng có ảnh hưởng lớn đến hiệu suất của mô hình. Các lựa chọn khác như thử nghiệm mô hình, điều chỉnh tham số và đào tạo mô hình là các bước quan trọng khác, nhưng kỹ thuật tính năng thường được ưu tiên hơn vì nó trực tiếp tác động đến dữ liệu đầu vào.

Câu 26:

Giả sử mô hình hồi quy tuyến tính không phù hợp với dữ liệu. Trong tình huống đó, bạn sẽ cân nhắc lựa chọn nào sau đây: 1. thêm nhiều biến hơn; 2. bắt đầu giới thiệu các biến mức độ đa thức; 3. loại bỏ a số biến

Lời giải:

Đáp án đúng: D

Khi mô hình hồi quy tuyến tính không phù hợp với dữ liệu, có một số cách để cải thiện mô hình.

- Thêm nhiều biến hơn (1): Việc thêm các biến có thể giúp mô hình nắm bắt được các mối quan hệ phức tạp hơn trong dữ liệu. Tuy nhiên, cần cẩn trọng để tránh overfitting (mô hình quá khớp với dữ liệu huấn luyện và hoạt động kém trên dữ liệu mới).
- Giới thiệu các biến đa thức (2): Nếu mối quan hệ giữa các biến độc lập và biến phụ thuộc không tuyến tính, việc thêm các biến đa thức (ví dụ: x^2, x^3) có thể giúp mô hình phù hợp hơn.
- Loại bỏ một số biến (3): Trong một số trường hợp, việc loại bỏ các biến không liên quan hoặc gây nhiễu có thể cải thiện hiệu suất của mô hình. Tuy nhiên, cần cân nhắc kỹ lưỡng trước khi loại bỏ bất kỳ biến nào, vì có thể vô tình loại bỏ thông tin quan trọng.

Do đó, cả ba lựa chọn trên đều có thể được cân nhắc để cải thiện mô hình hồi quy tuyến tính không phù hợp, tùy thuộc vào tình huống cụ thể và đặc điểm của dữ liệu.

Câu 27:

L3. Giả sử mô hình hồi quy tuyến tính không phù hợp với dữ liệu. Trong tình huống như vậy, bạn thích thuật toán chính quy nào sau đây?

Lời giải:

Đáp án đúng: B

Câu hỏi này liên quan đến việc lựa chọn phương pháp chính quy hóa phù hợp khi mô hình hồi quy tuyến tính không phù hợp với dữ liệu. Trong trường hợp mô hình hồi quy tuyến tính không phù hợp (underfitting), việc áp dụng các phương pháp chính quy hóa L1 (Lasso) hoặc L2 (Ridge) thường không mang lại hiệu quả đáng kể, thậm chí có thể làm giảm hiệu suất của mô hình. Lý do là vì các phương pháp chính quy hóa này chủ yếu được sử dụng để giảm hiện tượng quá khớp (overfitting) bằng cách thêm một khoản phạt vào các hệ số của mô hình, từ đó làm giảm độ phức tạp của mô hình. Khi mô hình đã không phù hợp, việc giảm độ phức tạp hơn nữa thường không giúp cải thiện khả năng dự đoán. Thay vào đó, cần xem xét các phương pháp khác như thêm các biến hoặc đặc trưng mới, sử dụng mô hình phức tạp hơn hoặc điều chỉnh các siêu tham số của mô hình. Vì vậy, đáp án phù hợp nhất là 'Không có phương pháp nào được đề cập'.

Câu 28:

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

Lời giải:

Bạn cần đăng ký gói VIP để làm bài, xem đáp án và lời giải chi tiết không giới hạn. Nâng cấp VIP

Câu 29:

A cách tiếp cận để áp dụng mô hình hồi quy logistic cho nhiều lớp là huấn luyện bộ phân loại hồi quy logistic h_i(x) cho mỗi lớp i để dự đoán xác suất y = i. Trên đầu vào x mới, để đưa ra dự đoán, hãy chọn lớp i cực tiểu hóa h_i(x)(I=1,2,3).

Lời giải:

Bạn cần đăng ký gói VIP để làm bài, xem đáp án và lời giải chi tiết không giới hạn. Nâng cấp VIP

Câu 30:

Theo bài giảng, giả thuyết h(z) = sigmoid(z) = 1/[1+e^(-z)] (z = 2 + x). Nếu x = -2 thì h(z) = ?

Lời giải:

Bạn cần đăng ký gói VIP để làm bài, xem đáp án và lời giải chi tiết không giới hạn. Nâng cấp VIP