Thuật toán học máy nào sau đây thường KHÔNG dùng cho bài toán phân lớp (classification): 

Phân tích thành phần chính (PCA) là một phương pháp giảm chiều dữ liệu bằng cách tìm các thành phần chính, là các hướng mà dữ liệu có phương sai lớn nhất. PCA thực hiện một phép xoay hệ trục tọa độ để các trục mới (các thành phần chính) hướng theo phương của phương sai lớn nhất. Hệ cơ sở mới này là một hệ trực chuẩn. PCA là một thuật toán học không giám sát (unsupervised), vì nó không sử dụng thông tin về nhãn của dữ liệu để tìm các thành phần chính. Do đó, phát biểu "PCA là một thuật toán học có giám sát (supervised)" là sai.

Máy vector hỗ trợ (Support Vector Machine - SVM) là thuật toán phân loại dựa trên việc tìm một siêu phẳng (hyperplane) để phân chia dữ liệu thành các lớp khác nhau. Ý tưởng cốt lõi của SVM là tìm siêu phẳng sao cho khoảng cách từ siêu phẳng đó đến các điểm dữ liệu gần nhất của mỗi lớp (được gọi là vector hỗ trợ) là lớn nhất. Khoảng cách này được gọi là "lề" (margin). SVM cố gắng tối đa hóa lề này để đảm bảo khả năng tổng quát hóa tốt nhất cho mô hình. Các thuật toán khác như Naive Bayes, k-Nearest Neighbors và Perceptron không trực tiếp tối ưu hóa lề theo cách này.

Câu hỏi này liên quan đến hiện tượng "quá khớp" (overfitting) trong machine learning. Quá khớp xảy ra khi mô hình học quá sát dữ liệu huấn luyện, bao gồm cả nhiễu, dẫn đến khả năng khái quát hóa kém trên dữ liệu mới.

* a. Mô hình quá phức tạp: Mô hình phức tạp có nhiều tham số, dễ dàng "ghi nhớ" dữ liệu huấn luyện, bao gồm cả nhiễu. Điều này làm tăng khả năng quá khớp.
* b. Phương sai cao và độ lệch thấp: Đây là đặc điểm của mô hình bị quá khớp. Phương sai cao nghĩa là mô hình rất nhạy cảm với sự thay đổi nhỏ trong dữ liệu huấn luyện. Độ lệch thấp nghĩa là mô hình khớp rất tốt với dữ liệu huấn luyện.
* d. Quá nhiều tiếng ồn trong dữ liệu huấn luyện: Nhiễu (noise) trong dữ liệu huấn luyện có thể là các điểm dữ liệu sai lệch hoặc không liên quan. Mô hình học cả nhiễu sẽ dẫn đến quá khớp.

Vì cả ba lý do trên đều góp phần vào việc trang bị quá mức, đáp án đúng là c.

Câu hỏi yêu cầu tìm phát biểu KHÔNG đúng về bài toán phân loại và dự đoán.

a. Trong phân loại, đầu ra là một giá trị rời rạc. Đây là phát biểu ĐÚNG. Phân loại gán một đối tượng vào một trong số các lớp (categories) đã định trước, là các giá trị rời rạc.

b. Trong dự đoán, đầu ra có thể là giá trị liên tục hoặc giá trị rời rạc. Đây là phát biểu ĐÚNG. Dự đoán có thể là hồi quy (giá trị liên tục) hoặc phân loại (giá trị rời rạc).

c. Nhiệm vụ dự đoán về cơ bản là phân loại. Đây là phát biểu SAI. Dự đoán bao gồm cả phân loại và hồi quy, không chỉ là phân loại.

d. Phân loại là một nhiệm vụ dự đoán. Đây là phát biểu ĐÚNG. Vì phân loại là một dạng của dự đoán (dự đoán lớp của đối tượng).

Vậy, đáp án KHÔNG đúng là 'Nhiệm vụ dự đoán về cơ bản là phân loại.'

Câu hỏi này liên quan đến khái niệm overfitting (quá khớp) và underfitting (khớp thiếu) trong machine learning.

* Underfitting (Khớp thiếu): Xảy ra khi mô hình quá đơn giản để nắm bắt được cấu trúc dữ liệu bên dưới. Mô hình có hiệu suất kém cả trên tập huấn luyện và tập kiểm tra.
* Overfitting (Quá khớp): Xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, bao gồm cả nhiễu. Điều này dẫn đến hiệu suất rất tốt trên tập huấn luyện nhưng hiệu suất kém trên tập kiểm tra, vì mô hình không thể khái quát hóa tốt cho dữ liệu mới.

Trong trường hợp này, mô hình hoạt động tốt trên tập huấn luyện (tức là đã học kỹ dữ liệu huấn luyện) nhưng lại hoạt động kém trên tập kiểm tra (tức là không khái quát hóa tốt). Đây chính là dấu hiệu của overfitting.

Do đó, đáp án đúng là: c. vấn đề trang bị quá mức