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:

Ma trận nhầm lẫn (confusion matrix) là một bảng được sử dụng để đánh giá hiệu suất của một mô hình phân loại. Nó tóm tắt kết quả phân loại bằng cách đếm số lượng dự đoán đúng và sai cho mỗi lớp. Giá trị a[i, j] trong ma trận nhầm lẫn biểu thị số lượng mẫu thực tế thuộc lớp i được phân loại nhầm vào lớp j. * **Phương án A sai:** a[i,i] thể hiện số lượng mẫu i được phân loại đúng vào mẫu i. * **Phương án B đúng:** a[i, j] (với i khác j) thể hiện số lượng mẫu i bị phân loại nhầm vào mẫu j. * **Phương án C sai:** tương tự A, a[j,j] thể hiện số lượng mẫu j được phân loại đúng vào mẫu j. * **Phương án D sai:** a[j, i] thể hiện số lượng mẫu j bị phân loại nhầm vào mẫu i (ngược lại với câu hỏi).

Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. Để khắc phục tình trạng này, chúng ta cần các phương pháp đánh giá và chọn mô hình một cách khách quan. * **A. Chọn mẫu ngẫu nhiên (Random sampling):** Đây là một kỹ thuật lấy mẫu, bản thân nó không trực tiếp giải quyết overfitting. Tuy nhiên, việc tạo ra các tập dữ liệu khác nhau từ việc lấy mẫu ngẫu nhiên có thể được sử dụng trong các kỹ thuật khác như cross-validation. * **B. Đánh giá chéo (k-fold cross validation):** Đây là một phương pháp mạnh mẽ để đánh giá hiệu năng của mô hình một cách khách quan. Nó chia dữ liệu thành k phần, huấn luyện mô hình trên k-1 phần và kiểm tra trên phần còn lại. Quá trình này lặp lại k lần, mỗi lần một phần khác nhau được dùng làm tập kiểm tra. Kết quả là, ta có được ước lượng khách quan về hiệu năng của mô hình trên dữ liệu mới, giúp phát hiện và giảm thiểu overfitting. * **C. Hold-out:** Tương tự như cross-validation, hold-out chia dữ liệu thành tập huấn luyện và tập kiểm tra. Mô hình được huấn luyện trên tập huấn luyện và đánh giá trên tập kiểm tra. Mặc dù đơn giản, hold-out có thể không đủ tin cậy nếu tập kiểm tra không đủ lớn hoặc không đại diện cho toàn bộ dữ liệu. * **D. Huấn luyện và kiểm thử trên cùng tập dữ liệu:** Đây là cách làm tệ nhất vì nó không thể phát hiện overfitting. Mô hình sẽ hoạt động rất tốt trên dữ liệu nó đã thấy, nhưng rất có thể hoạt động kém trên dữ liệu mới. Vậy, đáp án đúng là B. Đánh giá chéo (k-fold cross validation) là phương pháp tốt nhất để khắc phục tình trạng overfitting vì nó cho phép đánh giá hiệu năng của mô hình một cách khách quan trên dữ liệu chưa từng thấy.

Câu hỏi này liên quan đến các khái niệm cơ bản trong thống kê y học và đánh giá xét nghiệm chẩn đoán. Cụ thể, nó đề cập đến sai sót có thể xảy ra khi sử dụng một xét nghiệm để chẩn đoán bệnh.

Phân tích các lựa chọn:

• A. Tỷ lệ bỏ sót (False Negative Rate): Đây là tỷ lệ những người thực sự mắc bệnh nhưng xét nghiệm lại cho kết quả âm tính (không phát hiện ra bệnh). Trong trường hợp này, người đó thực sự bị lao nhưng xét nghiệm lại không phát hiện ra.
• B. Độ nhạy (Sensitivity): Độ nhạy của một xét nghiệm là khả năng xét nghiệm đó xác định chính xác những người thực sự mắc bệnh. Nó không mô tả trường hợp xét nghiệm dương tính ở người không bệnh.
• C. Tỷ lệ báo động nhầm (False Positive Rate): Đây là tỷ lệ những người thực sự không mắc bệnh nhưng xét nghiệm lại cho kết quả dương tính (báo là có bệnh). Đây chính xác là tình huống được mô tả trong câu hỏi.
• D. Độ lỗi: Đây là một thuật ngữ chung chung, không đặc tả loại sai sót cụ thể nào trong xét nghiệm.

Kết luận:

Trường hợp một người không mắc bệnh lao nhưng xét nghiệm lại cho kết quả dương tính (bị chẩn đoán là có bệnh) được gọi là tỷ lệ báo động nhầm (False Positive Rate). Vì vậy, đáp án đúng là C.

Phân cụm dữ liệu (clustering) là một kỹ thuật trong học máy không giám sát. Trong học máy không giám sát, chúng ta không có nhãn hoặc kết quả mong muốn trước cho dữ liệu. Thay vào đó, thuật toán phải tự tìm ra các cấu trúc, mẫu hoặc nhóm trong dữ liệu. Phân cụm dữ liệu thực hiện bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Vì vậy, đáp án đúng là B.

Một phương pháp phân cụm được coi là tốt khi các đối tượng trong cùng một cụm có độ tương đồng cao (gần giống nhau), trong khi các đối tượng giữa các cụm khác nhau có độ tương đồng thấp (khác biệt nhau). Điều này đảm bảo rằng các cụm được phân chia rõ ràng và có ý nghĩa. * **Phương án A:** Sai. Độ tương đồng giữa các cụm cao nghĩa là các cụm không được phân tách rõ ràng. * **Phương án B:** Sai. Độ tương đồng bên trong cụm thấp nghĩa là các đối tượng trong cùng một cụm không giống nhau. * **Phương án C:** Đúng. Độ tương đồng bên trong cụm cao và độ tương đồng giữa các cụm thấp là mục tiêu của một thuật toán phân cụm tốt. * **Phương án D:** Sai. Độ tương đồng thấp ở cả trong và giữa các cụm cho thấy việc phân cụm không hiệu quả.