Trong học máy, "batch size" là gì?

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.

Grid search là một kỹ thuật dò tham số (hyperparameter tuning) được sử dụng trong học máy để tìm ra bộ tham số tối ưu cho một mô hình. Nó hoạt động bằng cách định nghĩa một "lưới" các giá trị tham số khác nhau mà ta muốn thử. Sau đó, nó sẽ đánh giá mô hình bằng cách sử dụng mọi tổ hợp có thể của các tham số này và chọn ra bộ tham số cho hiệu suất tốt nhất (thường được đánh giá trên một tập kiểm chứng - validation set). Do đó, đáp án A là chính xác nhất.

Dropout là một kỹ thuật regularization (chính quy hóa) được sử dụng trong mạng neural (mạng nơ-ron) để ngăn chặn overfitting (quá khớp). Trong quá trình huấn luyện, dropout hoạt động bằng cách ngẫu nhiên loại bỏ một số nơ-ron (đơn vị) cùng với các kết nối của chúng. Việc này buộc mạng phải học các đặc trưng một cách phân tán hơn, làm giảm sự phụ thuộc vào một nơ-ron cụ thể nào đó. Do đó, đáp án C là chính xác.