Phương pháp chọn mẫu dữ liệu nào sau đây dùng để khắc phục tình trạng over-fitting?

Câu hỏi này liên quan đến các khái niệm cơ bản trong thống kê y học, đặc biệt là các loại sai sót trong xét nghiệm chẩn đoán. Trong trường hợp này, người không mắc bệnh lao nhưng xét nghiệm lại cho kết quả dương tính (bị bệnh lao). Đây là một kết quả dương tính giả, hay còn gọi là "báo động nhầm".

A. Tỷ lệ bỏ sót (âm tính giả): Là tỷ lệ những người mắc bệnh nhưng xét nghiệm lại cho kết quả âm tính (không mắc bệnh).

B. Độ nhạy: Là khả năng của xét nghiệm trong việc phát hiện đúng những người mắc bệnh.

C. Tỷ lệ báo động nhầm (dương tính giả): Là tỷ lệ những người không mắc bệnh nhưng xét nghiệm lại cho kết quả dương tính (mắc bệnh).

D. Độ lỗi: Là một khái niệm chung chung, không đặc tả loại sai sót cụ thể.

Do đó, đáp án chính xác là C.

Giải thích:

Câu hỏi này kiểm tra kiến thức về các thuật toán phân cụm (clustering) trong Machine Learning. Mỗi thuật toán có một cách tiếp cận khác nhau trong việc gán các điểm dữ liệu vào các cụm.

• A. DIANA (Divisive Analysis Clustering): Là một thuật toán phân cụm phân cấp (hierarchical clustering) chia tách. Nó bắt đầu bằng việc coi tất cả các điểm dữ liệu thuộc về một cụm duy nhất, sau đó chia cụm này thành các cụm nhỏ hơn một cách đệ quy. Một điểm dữ liệu chỉ thuộc về một cụm duy nhất tại một thời điểm.
• B. K-Means: Là một thuật toán phân cụm dựa trên khoảng cách. Mỗi điểm dữ liệu được gán cho cụm có trung tâm gần nhất. Một điểm dữ liệu chỉ thuộc về một cụm duy nhất.
• C. DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Là một thuật toán phân cụm dựa trên mật độ. Nó nhóm các điểm dữ liệu gần nhau và đánh dấu các điểm nằm trong vùng có mật độ thấp là nhiễu. Một điểm dữ liệu thường chỉ thuộc về một cụm (hoặc được đánh dấu là nhiễu).
• D. Fuzzy C-Means (FCM): Là một thuật toán phân cụm mềm (soft clustering) hay còn gọi là phân cụm mờ. Thay vì gán mỗi điểm dữ liệu vào một cụm duy nhất, FCM gán cho mỗi điểm dữ liệu một độ thành viên (membership) cho mỗi cụm. Độ thành viên này thể hiện mức độ mà điểm dữ liệu đó thuộc về cụm đó. Vì vậy, một điểm dữ liệu có thể thuộc về nhiều cụm với các mức độ khác nhau.

Vậy, thuật toán Fuzzy C-Means (FCM) cho phép một phần tử thuộc về một hoặc nhiều cụm khác nhau.

Thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán phân cụm dựa trên mật độ, không yêu cầu phải xác định trước số lượng cụm. Các thuật toán khác như K-mean, Agnes (Agglomerative Nesting) và Fuzzy C-mean thường cần xác định trước số cụm hoặc có các tham số ảnh hưởng đến số lượng cụm.