Thuật toán phân lớp nào sau đây cho phép xử lý trên nhiều kiểu/loại dữ liệu khác nhau?

Trong bài toán phân lớp đa nhãn, một mẫu có thể thuộc nhiều lớp khác nhau. Do đó, các chỉ số đánh giá như Accuracy (độ chính xác) không phù hợp vì nó chỉ đo lường số lượng dự đoán đúng trên tổng số dự đoán, mà không xem xét việc dự đoán đúng một phần các nhãn của một mẫu. Precision (độ chuẩn xác), Recall (độ phủ) và F1-score đều là các chỉ số quan trọng. Tuy nhiên, F1-score là trung bình điều hòa của Precision và Recall, nên nó cung cấp một cái nhìn tổng quan hơn về hiệu suất của mô hình, cân bằng giữa việc dự đoán chính xác các nhãn và việc tìm ra tất cả các nhãn liên quan đến một mẫu. Vì vậy, F1-score thường được sử dụng để đánh giá hiệu quả của mô hình phân lớp 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. Giá trị a[i, j] trong ma trận nhầm lẫn thể hiện số lượng mẫu thực tế thuộc lớp i mà mô hình đã dự đoán là lớp j. Do đó, 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 lại kém hiệu quả trên dữ liệu mới. Đánh giá chéo (k-fold cross validation) là một kỹ thuật được sử dụng để ước tính hiệu suất của mô hình trên dữ liệu chưa thấy bằng cách chia dữ liệu thành k phần, huấn luyện mô hình trên k-1 phần và kiểm tra trên phần còn lại, rồi lặp lại quá trình này k lần. Điều này giúp đánh giá mô hình một cách khách quan hơn và phát hiện overfitting. Các phương pháp chọn mẫu khác như chọn mẫu ngẫu nhiên (random sampling) hay hold-out chỉ đơn giản là chia dữ liệu thành tập huấn luyện và tập kiểm tra, nhưng không cung cấp một ước tính vững chắc về hiệu suất của mô hình như đánh giá chéo. Việc huấn luyện và kiểm thử trên cùng một tập dữ liệu chắc chắn sẽ dẫn đến overfitting vì mô hình sẽ "học thuộc" dữ liệu.

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.

Phân cụm dữ liệu (clustering) là một kỹ thuật trong học máy không giám sát. Trong học máy không giám sát, thuật toán không được cung cấp dữ liệu đã được gán nhãn trước. Thay vào đó, thuật toán phải tự tìm ra cấu trúc và các mối quan hệ trong dữ liệu. Phân cụm thực hiện điều này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Vì vậy, đáp án đúng là B.