Trong học máy, thuật ngữ "bag-of-words" (BoW) là gì?

Một số lượng mẫu dữ liệu được sử dụng để cập nhật các trọng số của mạng neural network

Một phương pháp để chuyển đổi dữ liệu đầu vào thành dạng phù hợp cho mạng neural

Một số lần lặp lại toàn bộ tập dữ liệu trong quá trình huấn luyện mô hình

Một phương pháp tạo ra các mẫu dữ liệu mới từ dữ liệu ban đầu

Một kỹ thuật tăng số lượng lớp trong một mạng neural network

Một kỹ thuật dừng quá trình huấn luyện mô hình khi hiệu suất trên tập kiểm tra bắt đầu giảm

Một kỹ thuật để tối ưu hóa các tham số của mô hình

Một kỹ thuật sử dụng để giảm kích thước của dữ liệu đầu vào

Một phương pháp để tối ưu hóa các tham số của mô hình

Một hàm mất mát thường được sử dụng trong bài toán phân loại, đo lường sự khác biệt giữa dự đoán và giá trị thực tế

Một phương pháp để chuyển đổi dữ liệu đầu vào thành dạng phù hợp cho mạng neural

Một hàm mất mát thường được sử dụng trong bài toán hồi quy, tính toán bình phương của sự chênh lệch giữa dự đoán và giá trị thực tế

σ(s)(1 – σ(s))

σ(s) – (1 – σ(s))

σ(s)

1 – σ(s)

Tất cả các feature đều được chọn

Chỉ một subset ngẫu nhiên của các feature được chọn

Chỉ feature có độ quan trọng cao được chọn

Feature được chọn dựa trên tần suất xuất hiện trong dữ liệu huấn luyện

Nó làm giảm độ chệch (bias) của mô hình

Nó giữ nguyên giá trị âm

Nó không bị sự mất mát gradient khi huấn luyện

Nó không thể giải quyết được vấn đề overfitting

Accuracy

Precision

Recall

F1-score

K-means

Linear Regression

Decision Tree

KNN (K-Nearest Neighbors)

2

5

6

3

L2 = numpy.remove_duplicate(L1)

L2 = L1.remove_duplicate()

L2 = list.remove_duplicate(L1)

L2 = list(set(L1))