Kết quả nào đúng cho đoạn code sau?

X = numpy.array([[3, 89],

                 [23, 17],

                 [92, 26],

                 [34, 28],

                 [12, 9]])

print(numpy.ptp(X))

Phân tích các khẳng định:

1 - Tăng số đặc trưng *không* làm tăng số mẫu huấn luyện. Đây là khẳng định đúng. Số lượng mẫu huấn luyện là số lượng các bản ghi dữ liệu có sẵn, việc tăng số lượng đặc trưng (số cột thông tin của mỗi bản ghi) không làm thay đổi số lượng bản ghi (số hàng).

2 - Tăng đặc trưng *không* làm ảnh hưởng tới hiệu năng của hệ thống. Đây là khẳng định sai. Việc tăng số lượng đặc trưng có thể ảnh hưởng đến hiệu năng của hệ thống. Nếu tăng quá nhiều đặc trưng không liên quan, có thể gây ra hiện tượng "lời nguyền chiều cao" (curse of dimensionality), làm giảm hiệu năng và độ chính xác của mô hình.

3 - Tăng đặc trưng *không* luôn luôn tăng độ chính xác của phân lớp. Đây là khẳng định đúng. Như đã nói ở trên, việc tăng quá nhiều đặc trưng không liên quan có thể làm giảm độ chính xác của mô hình. Ngoài ra, việc tăng đặc trưng có thể dẫn đến overfitting nếu số lượng mẫu huấn luyện không đủ lớn.

Vậy, các khẳng định đúng là 1 và 3.

Hàm kích hoạt cho lớp đầu ra của model phụ thuộc vào bài toán cụ thể:

• Sigmoid: Thường dùng cho bài toán phân loại nhị phân (binary classification), vì nó cho ra giá trị trong khoảng (0, 1), có thể hiểu là xác suất thuộc về một lớp nào đó.


• Softmax: Dùng cho bài toán phân loại đa lớp (multi-class classification). Nó chuyển đổi một vector các số thực thành một phân phối xác suất, với tổng các xác suất bằng 1.


• Linear/Identity: Dùng cho bài toán hồi quy (regression), khi cần giá trị đầu ra là một số thực bất kỳ.


• ReLU, Tanh: Thường dùng cho các lớp ẩn (hidden layers) để giải quyết vấn đề vanishing gradient.

Do câu hỏi không chỉ rõ loại bài toán, nhưng phương án B (Sigmoid) là phù hợp nhất trong các lựa chọn được đưa ra, đặc biệt khi ta giả định đây là bài toán phân loại nhị phân.