"K-fold cross-validation" được sử dụng để làm gì?

Logistic Regression là một thuật toán học có giám sát (Supervised Learning) được sử dụng để giải quyết các bài toán phân loại. Nó dự đoán xác suất của một biến mục tiêu nhị phân (binary outcome). Do đó, 'Một thuật toán phân loại' và 'Một loại mô hình học có giám sát' đều đúng nhưng 'Một loại mô hình học có giám sát' bao quát hơn và chính xác hơn trong ngữ cảnh tổng quan về các loại mô hình trong học máy. Các lựa chọn khác không chính xác vì Logistic Regression không phải là một mô hình học sâu (Deep Learning) cũng không phải là phương pháp học không giám sát (Unsupervised Learning).

Trong học máy, đặc biệt là trong huấn luyện các mô hình deep learning, "batch size" là một tham số quan trọng. Nó quy định số lượng mẫu dữ liệu được sử dụng trong mỗi lần lặp (iteration) để tính toán gradient và cập nhật các tham số của mô hình. Vì vậy, đáp án A là chính xác.

Các đáp án khác không đúng vì:

• B: Số lượng lớp trong mạng neural được gọi là "số lớp" hoặc "độ sâu" của mạng.
• C: Số lượng neurons trong một lớp được gọi là "số đơn vị" hoặc "kích thước lớp".
• D: Số lượng epochs là số lần lặp lại toàn bộ tập dữ liệu huấn luyện trong quá trình huấn luyện.

Accuracy là một chỉ số đánh giá hiệu suất của mô hình học máy, được định nghĩa là tỉ lệ giữa số lượng dự đoán đúng trên tổng số lượng mẫu dữ liệu. Ví dụ, nếu một mô hình dự đoán đúng 80 trong tổng số 100 mẫu, thì accuracy của mô hình là 80%. Các lựa chọn khác không phản ánh định nghĩa chính xác của accuracy trong học máy.

Cross-validation (kiểm định chéo) là một kỹ thuật trong học máy được sử dụng để đánh giá hiệu suất của một mô hình học máy trên một tập dữ liệu. Quá trình này bao gồm việc chia tập dữ liệu ban đầu thành các tập con (folds), sử dụng một số tập con để huấn luyện mô hình và tập con còn lại để kiểm tra (validation) hiệu suất của mô hình. Kết quả từ các lần kiểm tra khác nhau này sau đó được tổng hợp để đưa ra một ước lượng tổng quan về hiệu suất của mô hình. Vì vậy, đáp án A là chính xác. Các đáp án còn lại mô tả các kỹ thuật khác nhau trong học máy, không phải cross-validation.

B. Chọn lọc đặc trưng (feature selection) là quá trình chọn ra các đặc trưng quan trọng nhất từ dữ liệu để huấn luyện mô hình. C. Xử lý dữ liệu bị thiếu (missing data imputation) là quá trình điền vào các giá trị bị thiếu trong dữ liệu. D. Giảm kích thước dữ liệu (dimensionality reduction) là quá trình giảm số lượng biến hoặc đặc trưng trong dữ liệu.

Variance trong học máy đề cập đến mức độ mà mô hình thay đổi khi được huấn luyện trên các tập dữ liệu khác nhau. Một mô hình có variance cao sẽ hoạt động tốt trên dữ liệu huấn luyện, nhưng hoạt động kém trên dữ liệu mới chưa từng thấy. Điều này có nghĩa là mô hình quá nhạy cảm với những thay đổi nhỏ trong dữ liệu huấn luyện và học cả noise thay vì chỉ học tín hiệu thực sự. Do đó, đáp án đúng là D. Sự không ổn định của mô hình khi áp dụng cho dữ liệu mới.