Trong hồi quy logistic, đo lường nào thường được sử dụng để xác định mô hình "phù hợp nhất" cho dữ liệu? Chọn một:

Trong hồi quy logistic, mục tiêu là ước tính xác suất một sự kiện xảy ra. Để làm được điều này, chúng ta cần một hàm mất mát (loss function) để đo lường sự khác biệt giữa xác suất dự đoán và kết quả thực tế. Có một số hàm mất mát có thể được sử dụng, nhưng phổ biến nhất là: * **Mất mát logarithmic (Logarithmic Loss)**, còn được gọi là **Cross-entropy loss**: Đây là hàm mất mát tiêu chuẩn được sử dụng trong hồi quy logistic. Nó đo lường sự khác biệt giữa phân phối xác suất dự đoán và phân phối xác suất thực tế. Giá trị mất mát càng nhỏ, mô hình càng tốt. * **Xác suất hợp lý tối đa (Maximum Likelihood Estimation - MLE)**: Đây là phương pháp ước tính các tham số của mô hình bằng cách tìm các giá trị tham số tối đa hóa hàm hợp lý (likelihood function). Hàm hợp lý đo lường khả năng dữ liệu quan sát được tạo ra bởi mô hình với các tham số đã cho. Trong hồi quy logistic, việc tối đa hóa hàm hợp lý tương đương với việc giảm thiểu mất mát logarithmic (cross-entropy). Các lựa chọn khác không phù hợp vì: * **Sai số bình phương nhỏ nhất (Least Squares Error)**: Thường được sử dụng trong hồi quy tuyến tính, không phù hợp cho hồi quy logistic vì nó không đảm bảo xác suất dự đoán nằm trong khoảng [0, 1]. Vì vậy, đáp án đúng nhất là **d. Xác suất hợp lý tối đa** vì nó là phương pháp nền tảng để ước tính các tham số của mô hình hồi quy logistic, và nó trực tiếp liên quan đến việc tối thiểu hóa hàm mất mát logarithmic (cross-entropy). Mất mát logarithmic và Cross entropy thực chất là một.