Giá trị a[i;j] trong ma trận nhầm lẫn (confusion matrix) cho biết:

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 trên dữ liệu mới. a. Chọn mẫu ngẫu nhiên (Random sampling): Chọn ngẫu nhiên không giải quyết trực tiếp vấn đề overfitting. Nó chỉ đơn giản là chọn một tập hợp con ngẫu nhiên từ dữ liệu. b. Đánh giá chéo (k-fold cross validation): Phương pháp này chia dữ liệu thành k phần, huấn luyện trên k-1 phần và kiểm tra trên phần còn lại. Quá trình này lặp lại k lần. Đánh giá chéo giúp đánh giá khách quan hiệu suất của mô hình và phát hiện overfitting bằng cách xem xét hiệu suất trên nhiều tập kiểm tra khác nhau. c. Hold-out: Chia dữ liệu thành tập huấn luyện và tập kiểm tra. Mặc dù hữu ích để đánh giá mô hình, nhưng nó không trực tiếp ngăn chặn overfitting. d. Huấn luyện và kiểm thử trên cùng tập dữ liệu: Đây là cách tệ nhất vì mô hình sẽ học thuộc lòng dữ liệu và không thể khái quát hóa cho dữ liệu mới, dẫn đến overfitting nghiêm trọng. Vậy, phương pháp đánh giá chéo (k-fold cross validation) là một phương pháp quan trọng để phát hiện và khắc phục tình trạng overfitting bằng cách đánh giá mô hình trên nhiều tập dữ liệu khác nhau.

Một phương pháp phân cụm tốt sẽ tạo ra các cụm mà các đối tượng trong cùng một cụm tương tự nhau (độ tương đồng bên trong cụm cao) và các cụm khác nhau khác biệt nhau (độ tương đồng giữa các cụm thấp). Vì vậy, đáp án đúng là 'Độ tương đồng bên trong cụm cao, đồng thời độ tương đồng giữa các cụm thấp'.

Câu hỏi này kiểm tra kiến thức về cách sử dụng thuật toán phân cụm phân cấp (HAC) trong Orange để đạt được một số lượng cụm mong muốn. Phương án a: Chọn số lượng cụm k trên hộp thoại. Trong Orange, việc chọn số lượng cụm *k* trực tiếp trên hộp thoại không phải là cách để thu được số lượng cụm cụ thể trong HAC. HAC xây dựng một cây phân cấp, và số lượng cụm được xác định sau khi cây đã được xây dựng. Phương án b: Chọn phương pháp tính khoảng cách trước khi chọn thuật toán. Việc chọn phương pháp tính khoảng cách là quan trọng cho HAC, nhưng nó không trực tiếp quyết định số lượng cụm cuối cùng. Phương án c: Chọn đường cắt phù hợp trên cây phân cấp kết quả. Đây là phương pháp đúng. Sau khi thuật toán HAC tạo ra một cây phân cấp (dendrogram), bạn cần chọn một "đường cắt" (cut-off point) trên cây này. Vị trí của đường cắt sẽ xác định số lượng cụm được tạo ra. Nếu bạn cắt ở mức cao, bạn sẽ có ít cụm hơn; nếu bạn cắt ở mức thấp, bạn sẽ có nhiều cụm hơn. Phương án d: Không cần làm gì cả. Điều này không đúng, vì mặc định HAC không tự động cho ra một số lượng cụm cụ thể. Cần phải có sự can thiệp để xác định số lượng cụm mong muốn. Vậy, đáp án đúng là c.

Thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán gom cụm dựa trên mật độ, không yêu cầu phải biết trước số lượng cụm. Nó xác định các cụm dựa trên các vùng có mật độ điểm cao, được phân tách bởi các vùng có mật độ điểm thấp. Các thuật toán khác như Fuzzy C-means và K-means đều yêu cầu xác định trước số lượng cụm (C hoặc K). Diana là một thuật toán phân cấp chia tách, cũng không nhất thiết phải biết trước số cụm cuối cùng, tuy nhiên, câu hỏi đang hướng đến các thuật toán không *cần* biết trước, và DBSCAN là ví dụ điển hình nhất. Do đó, DBSCAN là lựa chọn phù hợp nhất.