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

Fuzzy C-mean (còn gọi là Fuzzy K-means) là một thuật toán phân cụm cho phép một điểm dữ liệu thuộc về nhiều hơn một cụm. Mỗi điểm dữ liệu được gán cho mỗi cụm với một mức độ thành viên (membership degree) khác nhau, thể hiện khả năng điểm đó thuộc về cụm đó. Các thuật toán phân cụm khác như K-mean và DBSCAN thì một điểm dữ liệu chỉ thuộc về duy nhất một cụm.

Diana là một thuật toán phân cụm phân cấp (hierarchical clustering) chia tách (divisive), bắt đầu với tất cả các điểm dữ liệu trong một cụm lớn và chia nhỏ cụm này thành các cụm nhỏ hơn.

K-mean là thuật toán phân cụm mà mỗi điểm dữ liệu chỉ thuộc về duy nhất một cụm.

DBSCAN là thuật toán dựa trên mật độ, và mỗi điểm dữ liệu chỉ thuộc về duy nhất một cụm.

K-mean: Yêu cầu xác định trước số lượng cụm (K). Thuật toán này lặp đi lặp lại việc gán các điểm dữ liệu cho cụm gần nhất và cập nhật tâm cụm cho đến khi đạt được sự hội tụ.

Agnes (Agglomerative Nesting): Là một thuật toán phân cụm phân cấp bottom-up. Mặc dù có thể xác định số lượng cụm mong muốn sau khi thuật toán hoàn thành (dựa trên dendrogram), nhưng bản thân thuật toán không yêu cầu phải biết trước số cụm. Nó bắt đầu với mỗi điểm dữ liệu là một cụm riêng biệt và hợp nhất các cụm gần nhất cho đến khi tất cả các điểm thuộc về một cụm duy nhất.

Fuzzy C-mean: Tương tự như K-mean, Fuzzy C-mean cũng yêu cầu xác định trước số lượng cụm (C).

DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Là một thuật toán phân cụm dựa trên mật độ. Nó nhóm các điểm dữ liệu gần nhau và đánh dấu các điểm nằm một mình trong các vùng có mật độ thấp là nhiễu. DBSCAN không yêu cầu biết trước số lượng cụm, mà tự động xác định số lượng cụm dựa trên các tham số như bán kính lân cận (epsilon) và số lượng điểm tối thiểu trong một lân cận (minPts).

Vậy, thuật toán phân cụm không cần biết trước số cụm là DBSCAN.