Thuật toán phân lớp tham gia vào quá trình nào sau đây trong mô hình phân lớp dữ liệu:

Cây quyết định có thể xử lý cả dữ liệu số và dữ liệu phân loại (categorical data) một cách tự nhiên. Các thuật toán khác như SVM và Logistic Regression thường yêu cầu dữ liệu số hoặc cần biến đổi dữ liệu phân loại thành dạng số trước khi sử dụng. Mạng nơ ron cũng có thể xử lý nhiều loại dữ liệu nhưng thường cần bước tiền xử lý phức tạp hơn. Do đó, cây quyết định là lựa chọn phù hợp nhất khi muốn xử lý nhiều kiểu dữ liệu khác nhau một cách trực tiếp.

Trong bài toán phân lớp đa nhãn (multi-label classification), một mẫu có thể thuộc nhiều lớp khác nhau. 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, chúng cần được điều chỉnh để phù hợp với bài toán đa nhãn. Accuracy không phù hợp trong trường hợp này vì nó đánh giá xem một mẫu được dự đoán chính xác vào một lớp duy nhất hay không, trong khi trong phân lớp đa nhãn, một mẫu có thể thuộc nhiều lớp.

- Precision đo lường tỷ lệ các nhãn được dự đoán là đúng trong số tất cả các nhãn mà mô hình dự đoán. - Recall đo lường tỷ lệ các nhãn thực tế của một mẫu được mô hình dự đoán chính xác. - F1-score là trung bình điều hòa của Precision và Recall, cung cấp một đánh giá tổng thể về hiệu suất của mô hình. Vì Precision, Recall và F1-score đều quan trọng trong đánh giá mô hình phân lớp đa nhãn, F1-score thường được dùng để đánh giá tổng quan nhất vì nó cân bằng giữa Precision và Recall.

Ma trận nhầm lẫn (confusion matrix) là một công cụ được sử dụng để đánh giá hiệu suất của một mô hình phân loại. Trong ma trận này, a[i, j] biểu thị số lượng các mẫu thực tế thuộc lớp i mà mô hình đã dự đoán là thuộc lớp j. Vì vậy, đáp án đúng là "Số lượng mẫu i được phân nhầm vào mẫu j".

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'.