Trong học máy, "feature" đề cập đến gì?

Boosting là một kỹ thuật machine learning sử dụng một tập hợp các mô hình yếu (weak learners) để tạo ra một mô hình mạnh (strong learner). Các mô hình yếu thường là các mô hình đơn giản, có độ chính xác không cao. Boosting hoạt động bằng cách huấn luyện các mô hình yếu một cách tuần tự, trong đó mỗi mô hình yếu tập trung vào việc sửa chữa các lỗi mà các mô hình trước đó đã mắc phải. Cuối cùng, các dự đoán từ tất cả các mô hình yếu được kết hợp lại để tạo ra dự đoán cuối cùng. Do đó, đáp án chính xác là C.

Mạng nơ-ron tích chập (CNNs) đặc biệt hiệu quả trong việc xử lý dữ liệu hình ảnh. Các lớp tích chập (convolutional layers) trong CNNs có khả năng học các đặc trưng quan trọng từ hình ảnh, chẳng hạn như cạnh, góc, và các hình dạng phức tạp hơn. Do đó, CNNs được sử dụng rộng rãi trong các bài toán phân loại hình ảnh, nhận diện đối tượng, và các tác vụ liên quan đến thị giác máy tính. Các phương án B và C thiên về xử lý ngôn ngữ và chuỗi thời gian hơn, trong khi CNNs không phải là lựa chọn tối ưu cho các tác vụ này.

Precision (độ chính xác) trong machine learning là tỷ lệ giữa số lượng true positive (dự đoán là positive và thực tế là positive) và tổng số lượng positive mà mô hình dự đoán (bao gồm cả true positive và false positive). Nói cách khác, nó đo lường mức độ chính xác của các dự đoán positive. Do đó, đáp án đúng là B.

Thuật ngữ "neural network" (mạng nơ-ron) trong học máy ám chỉ một phương pháp tính toán mô phỏng cách bộ não con người xử lý thông tin. Nó bao gồm các tầng xử lý (layers) liên kết với nhau, mỗi tầng thực hiện các phép biến đổi trên dữ liệu đầu vào. Các tầng này được tạo thành từ các nơ-ron (neurons) kết nối với nhau thông qua các trọng số (weights).

Phương án A không đúng vì thuật toán tối ưu hóa (optimization algorithm) được sử dụng để tìm các trọng số tốt nhất cho mạng nơ-ron, chứ không phải là định nghĩa của mạng nơ-ron. Phương án C không đúng vì hàm kích hoạt (activation function) là một thành phần của nơ-ron, quyết định đầu ra của nơ-ron dựa trên đầu vào, chứ không phải là định nghĩa của mạng nơ-ron. Phương án D không đúng vì gom nhóm dữ liệu (clustering) là một kỹ thuật khác trong học máy, dùng để phân loại dữ liệu thành các nhóm dựa trên sự tương đồng, không liên quan trực tiếp đến định nghĩa của mạng nơ-ron.

Underfitting xảy ra khi mô hình quá đơn giản để nắm bắt các mối quan hệ phức tạp trong dữ liệu. Điều này dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. Vì vậy, đáp án A là chính xác. Các đáp án khác mô tả các tình huống khác: B mô tả overfitting, C mô tả một mô hình bị lỗi hoàn toàn, và D mô tả một mô hình lý tưởng.