Trong học máy, để đánh giá hiệu suất của một mô hình phân loại, chúng ta thường sử dụng các phép đo nào sau đây?
Trả lời:
Đáp án đúng: A
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.
50 câu hỏi 60 phút
