Trong học máy, khi sử dụng thuật toán K-means Clustering, số lượng cụm cần phải xác định trước hay được xác định dựa trên dữ liệu đầu vào?

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.

Trong Python, để tạo một phương thức tĩnh, ta sử dụng chỉ dẫn @staticmethod. Phương thức tĩnh là một phương thức thuộc về lớp nhưng không yêu cầu một thể hiện của lớp đó để có thể được gọi. Nó không nhận tham số self một cách ngầm định như các phương thức thông thường.

Phân tích các khẳng định:

1 - Tăng số đặc trưng *không* làm tăng số mẫu huấn luyện. Đây là khẳng định đúng. Số lượng mẫu huấn luyện là số lượng các bản ghi dữ liệu có sẵn, việc tăng số lượng đặc trưng (số cột thông tin của mỗi bản ghi) không làm thay đổi số lượng bản ghi (số hàng).

2 - Tăng đặc trưng *không* làm ảnh hưởng tới hiệu năng của hệ thống. Đây là khẳng định sai. Việc tăng số lượng đặc trưng có thể ảnh hưởng đến hiệu năng của hệ thống. Nếu tăng quá nhiều đặc trưng không liên quan, có thể gây ra hiện tượng "lời nguyền chiều cao" (curse of dimensionality), làm giảm hiệu năng và độ chính xác của mô hình.

3 - Tăng đặc trưng *không* luôn luôn tăng độ chính xác của phân lớp. Đây là khẳng định đúng. Như đã nói ở trên, việc tăng quá nhiều đặc trưng không liên quan có thể làm giảm độ chính xác của mô hình. Ngoài ra, việc tăng đặc trưng có thể dẫn đến overfitting nếu số lượng mẫu huấn luyện không đủ lớn.

Vậy, các khẳng định đúng là 1 và 3.