Đối với bài toán phân lớp đa nhãn thì chỉ số đánh giá nào thường được dùng để đánh giá độ hiệu quả của mô hình phân lớp?

Precision

Recall

F1-score

Accuracy

Trả lời:

Đáp án đúng: C

Trong bài toán phân lớp đa nhãn, một mẫu có thể thuộc nhiều hơn một lớp. Do đó, các chỉ số đánh giá như Precision, Recall và F1-score (đặc biệt là các phiên bản macro, micro, weighted của chúng) thường được sử dụng để đánh giá hiệu quả mô hình. Accuracy, mặc dù là một chỉ số phổ biến, nhưng ít phù hợp hơn trong trường hợp đa nhãn vì nó đánh giá sự chính xác tổng thể trên tất cả các nhãn, mà không xem xét đến việc dự đoán đúng các nhãn riêng lẻ cho mỗi mẫu. F1-score là trung bình điều hòa của Precision và Recall, cung cấp một đánh giá cân bằng hơn về hiệu suất của mô hình, đặc biệt khi có sự mất cân bằng giữa các lớp.

Ngân hàng câu hỏi trắc nghiệm Quản lý học có đáp án

43 câu hỏi 60 phút

Bắt đầu thi

Câu hỏi liên quan

Câu 1:

Giá trị a[i;j] trong ma trận nhầm lẫn (confusion matrix) cho biết:

Lời giải:

Đáp án đúng: B

Ma trận nhầm lẫn (confusion matrix) là một công cụ quan trọng để đánh giá hiệu suất của các mô hình phân loại. Trong ma trận này:

- Hàng (i) thường đại diện cho lớp thực tế (actual class).
- Cột (j) thường đại diện cho lớp dự đoán (predicted class).

Giá trị a[i;j] tại vị trí (i, j) trong ma trận nhầm lẫn thể hiện số lượng các mẫu thực tế thuộc lớp i mà mô hình đã dự đoán là thuộc lớp j. Nói cách khác, nó cho biết số lượng mẫu thuộc lớp 'i' bị phân loại nhầm vào lớp 'j'.

Như vậy, phương án 2 là đáp án chính xác.

Câu 1:

Phương pháp chọn mẫu dữ liệu nào sau đây dùng để khắc phục tình trạng over-fitting?

Lời giải:

Đáp án đúng: C

Overfitting occurs when a model learns the training data too well, leading to good performance on the training data but poor performance on new data. K-fold cross-validation helps to estimate the performance of the model on unseen data and can help detect overfitting, but it does not directly fix it. It is a technique to *evaluate* the model's robustness and generalization.

Câu 1:

Một người bị nghi ngờ bệnh lao đi thực hiện xét nghiệm. Nếu kết quả xét nghiệm cho thấy người này bị lao trong khi anh ta thật sự không mắc bệnh lao. Trường hợp này, được gọi là:

Lời giải:

Đáp án đúng: C

Câu hỏi này kiểm tra kiến thức về các khái niệm cơ bản trong thống kê y học, cụ thể là liên quan đến đánh giá các xét nghiệm chẩn đoán. Trong trường hợp một người không mắc bệnh lao nhưng xét nghiệm lại cho kết quả dương tính (báo là có bệnh), đây được gọi là kết quả dương tính giả, hay "báo động nhầm".

* Tỷ lệ bỏ sót (false negative rate): Là tỷ lệ các trường hợp bệnh nhân mắc bệnh nhưng xét nghiệm cho kết quả âm tính.
* Độ nhạy (sensitivity): Là khả năng xét nghiệm xác định chính xác những người mắc bệnh.
* Tỷ lệ báo động nhầm (false positive rate): Là tỷ lệ các trường hợp người không mắc bệnh nhưng xét nghiệm cho kết quả dương tính.
* Độ lỗi: Không phải là một thuật ngữ chuyên môn trong ngữ cảnh này.

Vậy, đáp án đúng là "Tỷ lệ báo động nhầm".

Câu 1:

Phân cụm dữ liệu là thuộc phương pháp:

Lời giải:

Đáp án đúng: B

Phân cụm dữ liệu (clustering) là một kỹ thuật trong học máy không giám sát (unsupervised learning). Trong học không giám sát, chúng ta không có nhãn hoặc đầu ra mong muốn cho dữ liệu. Thay vào đó, thuật toán cố gắng tìm ra các cấu trúc ẩn trong dữ liệu. Phân cụm dữ liệu thực hiện điều này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Vì không có nhãn sẵn, thuật toán phải tự khám phá ra các nhóm này.

Câu 1:

Một phương pháp phân cụm tốt là phương pháp cho kết quả phân cụm mà trong đó:

Lời giải:

Đáp án đúng: C

Một phương pháp phân cụm tốt sẽ tạo ra các cụm mà trong đó các đối tượng bên trong mỗi cụm tương tự nhau (độ tương đồng bên trong cụm cao), và các cụm khác nhau thì khác biệt nhau rõ rệt (độ tương đồng giữa các cụm thấp). Do đó, đáp án đúng là phương án 3.

Câu 1:

Thuật toán nào sau đây cho phép một phần tử có thể thuộc về một hoặc nhiều cụm khác nhau?

Lời giải: