Thuật toán K-means được sử dụng cho mục đích gì trong học máy?

Câu hỏi này liên quan đến các phương pháp giảm chiều dữ liệu trong học máy. Ta xét từng đáp án:

• A. Principal Component Analysis (PCA): PCA là một kỹ thuật giảm chiều dữ liệu bằng cách tìm các thành phần chính (principal components) của dữ liệu. Các thành phần này là các hướng mà dữ liệu biến đổi nhiều nhất. PCA giữ lại một số lượng thành phần chính nhất định, do đó giảm số chiều của dữ liệu trong khi vẫn giữ lại phần lớn thông tin quan trọng. Đây là đáp án đúng.


• B. Linear Discriminant Analysis (LDA): LDA cũng là một phương pháp giảm chiều dữ liệu, nhưng nó chủ yếu được sử dụng cho các bài toán phân loại. LDA tìm các hướng mà các lớp dữ liệu được phân tách tốt nhất. LDA có thể giảm chiều dữ liệu, nhưng mục tiêu chính của nó là tối ưu hóa khả năng phân loại chứ không phải là giữ lại các đặc trưng quan trọng một cách tổng quát như PCA.


• C. Support Vector Machine (SVM): SVM là một thuật toán học có giám sát được sử dụng cho các bài toán phân loại và hồi quy. SVM không phải là một phương pháp giảm chiều dữ liệu.


• D. Naive Bayes Classifier: Naive Bayes là một thuật toán phân loại dựa trên định lý Bayes với giả định về tính độc lập giữa các đặc trưng. Tương tự như SVM, Naive Bayes không phải là một phương pháp giảm chiều dữ liệu.

Vậy, đáp án đúng là PCA vì nó trực tiếp được sử dụng để giảm số chiều của dữ liệu trong khi vẫn giữ lại các đặc trưng quan trọng nhất.

Câu hỏi này kiểm tra kiến thức về các phép đo hiệu suất trong học máy, đặc biệt là cho bài toán phân loại.

• Accuracy (Độ chính xác): Tỷ lệ giữa số lượng dự đoán đúng và tổng số lượng dự đoán.
• Precision (Độ chuẩn xác): Tỷ lệ giữa số lượng dự đoán đúng là positive và tổng số lượng dự đoán là positive.
• Recall (Độ phủ): Tỷ lệ giữa số lượng dự đoán đúng là positive và tổng số lượng thực tế là positive.
• F1-score: Trung bình điều hòa của Precision và Recall, thường được sử dụng khi cần cân bằng giữa Precision và Recall.
• ROC-AUC (Area Under the Receiver Operating Characteristic curve): Diện tích dưới đường cong ROC, đo khả năng phân biệt giữa các lớp của mô hình.
• Mean Squared Error (MSE) và Root Mean Squared Error (RMSE): Các phép đo lỗi thường được sử dụng trong các bài toán hồi quy, đo lường sự khác biệt giữa giá trị dự đoán và giá trị thực tế.
• Mean Absolute Error (MAE): Giá trị trung bình của sai số tuyệt đối giữa giá trị dự đoán và giá trị thực tế, thường dùng trong hồi quy.
• R-squared: Đo lường mức độ phù hợp của mô hình hồi quy với dữ liệu.

Do đó, các phép đo thường được sử dụng để đánh giá hiệu suất của mô hình phân loại là Accuracy, Precision, Recall, F1-score và ROC-AUC. Đáp án A và D bao gồm các phép đo phù hợp nhất.

Tuy nhiên, đáp án A (Accuracy, Precision, Recall) là đáp án phổ biến và cơ bản nhất khi nói về đánh giá mô hình phân loại. Trong khi đó, ROC-AUC và F1-score (đáp án D) thường được sử dụng trong các trường hợp cụ thể hơn, ví dụ như khi dữ liệu bị lệch (imbalanced dataset).

Vậy nên đáp án A là phù hợp nhất.