Trong Orange, biến có kiểu dữ liệu categorical là để chỉ các thuộc tính:

Trong bài toán phân lớp đa nhãn, một mẫu có thể thuộc nhiều hơn một lớp. Các chỉ số đánh giá như Precision, Recall và F1-score thường được sử dụng để đánh giá hiệu quả của mô hình. Tuy nhiên, F1-score là một độ đo kết hợp giữa Precision và Recall, cung cấp một cái nhìn tổng quan hơn về hiệu suất của mô hình, đặc biệt khi có sự mất cân bằng giữa các lớp. Accuracy ít được sử dụng trong bài toán đa nhãn vì nó không phản ánh chính xác hiệu suất khi một mẫu có thể thuộc nhiều lớp.

- Precision: Tỷ lệ các nhãn dự đoán đúng trên tổng số nhãn được dự đoán.
- Recall: Tỷ lệ các nhãn dự đoán đúng trên tổng số nhãn thực tế.
- F1-score: Trung bình điều hòa của Precision và Recall, là một chỉ số tổng hợp tốt.
- Accuracy: Tỷ lệ các mẫu được phân loại đúng trên tổng số mẫu (thường không phù hợp cho đa nhãn).

Ma trận nhầm lẫn (confusion matrix) là một bảng được sử dụng để đánh giá hiệu suất của một mô hình phân loại. Nó tóm tắt kết quả phân loại bằng cách đếm số lượng dự đoán đúng và sai cho mỗi lớp. Giá trị a[i, j] trong ma trận nhầm lẫn biểu thị số lượng mẫu thực tế thuộc lớp i được phân loại nhầm vào lớp j.

* Phương án A sai: a[i,i] thể hiện số lượng mẫu i được phân loại đúng vào mẫu i.
* Phương án B đúng: a[i, j] (với i khác j) thể hiện số lượng mẫu i bị phân loại nhầm vào mẫu j.
* Phương án C sai: tương tự A, a[j,j] thể hiện số lượng mẫu j được phân loại đúng vào mẫu j.
* Phương án D sai: a[j, i] thể hiện số lượng mẫu j bị phân loại nhầm vào mẫu i (ngược lại với câu hỏi).

Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. Để khắc phục tình trạng này, chúng ta cần các phương pháp đánh giá và chọn mô hình một cách khách quan.

* A. Chọn mẫu ngẫu nhiên (Random sampling): Đây là một kỹ thuật lấy mẫu, bản thân nó không trực tiếp giải quyết overfitting. Tuy nhiên, việc tạo ra các tập dữ liệu khác nhau từ việc lấy mẫu ngẫu nhiên có thể được sử dụng trong các kỹ thuật khác như cross-validation.
* B. Đánh giá chéo (k-fold cross validation): Đây là một phương pháp mạnh mẽ để đánh giá hiệu năng của mô hình một cách khách quan. Nó chia dữ liệu thành k phần, huấn luyện mô hình trên k-1 phần và kiểm tra trên phần còn lại. Quá trình này lặp lại k lần, mỗi lần một phần khác nhau được dùng làm tập kiểm tra. Kết quả là, ta có được ước lượng khách quan về hiệu năng của mô hình trên dữ liệu mới, giúp phát hiện và giảm thiểu overfitting.
* C. Hold-out: Tương tự như cross-validation, hold-out chia dữ liệu thành tập huấn luyện và tập kiểm tra. Mô hình được huấn luyện trên tập huấn luyện và đánh giá trên tập kiểm tra. Mặc dù đơn giản, hold-out có thể không đủ tin cậy nếu tập kiểm tra không đủ lớn hoặc không đại diện cho toàn bộ dữ liệu.
* D. Huấn luyện và kiểm thử trên cùng tập dữ liệu: Đây là cách làm tệ nhất vì nó không thể phát hiện overfitting. Mô hình sẽ hoạt động rất tốt trên dữ liệu nó đã thấy, nhưng rất có thể hoạt động kém trên dữ liệu mới.

Vậy, đáp án đúng là B. Đánh giá chéo (k-fold cross validation) là phương pháp tốt nhất để khắc phục tình trạng overfitting vì nó cho phép đánh giá hiệu năng của mô hình một cách khách quan trên dữ liệu chưa từng thấy.

Phân cụm dữ liệu (clustering) là một kỹ thuật trong học máy không giám sát. Trong học máy không giám sát, chúng ta không có nhãn hoặc kết quả mong muốn trước cho dữ liệu. Thay vào đó, thuật toán phải tự tìm ra các cấu trúc, mẫu hoặc nhóm trong dữ liệu. Phân cụm dữ liệu thực hiện bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Vì vậy, đáp án đúng là B.