Trong học máy, để giảm thiểu hiện tượng underfitting, ta có thể thực hiện các biện pháp nào sau đây?

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.

Câu hỏi này kiểm tra kiến thức về các thư viện Python phổ biến trong lĩnh vực khoa học dữ liệu và tính toán số. Trong đó:

• TensorFlow: Là một thư viện mạnh mẽ chủ yếu được sử dụng cho các mô hình học sâu (Deep Learning) và mạng nơ-ron.

• Scikit-learn: Cung cấp các công cụ và thuật toán cho khai phá dữ liệu, phân tích dữ liệu, học máy (Machine Learning), nhưng không phải là lựa chọn hàng đầu cho tính toán số cơ bản.

• Pandas: Mặc dù rất hữu ích cho việc phân tích và thao tác dữ liệu, Pandas được xây dựng trên NumPy.

• Matplotlib: Thư viện vẽ đồ thị.

NumPy (mặc dù không được liệt kê trực tiếp trong các lựa chọn) là một thư viện cơ bản cho các tính toán số trong Python. NumPy cung cấp các đối tượng mảng đa chiều hiệu quả và các công cụ để làm việc với các mảng này. NumPy thường là nền tảng cho các thư viện khoa học khác như Pandas. Vì numpy không có trong đáp án nên ta chọn đáp án gần nhất là pandas.

Do đó, đáp án phù hợp nhất trong các lựa chọn đã cho là C. Pandas

Trong học máy, Gradient Descent (B. Gradient Descent) là một thuật toán tối ưu hóa được sử dụng rộng rãi để tìm giá trị nhỏ nhất của một hàm số. Nó đặc biệt hữu ích trong việc tìm ra các tham số tối ưu cho mô hình học máy bằng cách lặp đi lặp lại điều chỉnh các tham số theo hướng ngược lại của gradient (độ dốc) của hàm mất mát (loss function). Hàm mất mát đo lường sự khác biệt giữa dự đoán của mô hình và giá trị thực tế, và mục tiêu là giảm thiểu hàm mất mát này. Các thuật toán khác như Random Forest, K-means Clustering, và Naive Bayes là các thuật toán học máy khác nhau, nhưng không phải là các thuật toán *tối ưu hóa* được sử dụng để tìm ra giải pháp tối ưu cho một bài toán nói chung.

Trong thuật toán K-means Clustering, một trong những tham số quan trọng nhất cần được xác định trước là số lượng cụm (K). Thuật toán sẽ cố gắng phân chia dữ liệu thành K cụm sao cho các điểm dữ liệu trong cùng một cụm có khoảng cách gần nhau nhất và khác biệt so với các điểm dữ liệu trong các cụm khác. Do đó, việc xác định trước số lượng cụm là một yêu cầu bắt buộc khi sử dụng K-means.

Trong C++ (và một số ngôn ngữ khác), để nạp chồng (overload) toán tử == (so sánh bằng), bạn cần định nghĩa một hàm toán tử có tên là operator==. Không có phương thức comp(), eq(), equal() hoặc ne() nào được sử dụng mặc định cho việc nạp chồng toán tử so sánh bằng. Vì vậy, không có đáp án đúng trong các lựa chọn đã cho.