Khi sử dụng ‘cross-validation’, số lượng ‘folds’ (phần) thường được chọn là bao nhiêu?

Tăng cường tốc độ xử lý dữ liệu

Giảm thiểu số lượng đặc trưng cần thiết

Ước lượng hiệu suất của mô hình một cách đáng tin cậy hơn trên dữ liệu mới

Xử lý các giá trị bị thiếu trong dữ liệu

Chọn thuật toán học máy phù hợp

Tạo ra các đặc trưng mới từ dữ liệu thô để cải thiện hiệu suất mô hình

Huấn luyện mô hình trên tập dữ liệu lớn

Đánh giá mô hình bằng các độ đo hiệu suất

Huấn luyện mô hình trên nhiều máy tính cùng lúc

Kết hợp nhiều bước xử lý dữ liệu và huấn luyện mô hình thành một chuỗi tuần tự, dễ quản lý và tái sử dụng

Tự động tìm kiếm siêu tham số (hyperparameter tuning)

Đánh giá hiệu suất của mô hình trên tập kiểm tra

Hồi quy tuyến tính (Linear Regression)

Hồi quy Logistic (Logistic Regression) với chiến lược One-vs-Rest hoặc Softmax

Hồi quy tuyến tính với bình phương sai số (Linear Regression with squared error)

Phân tích thành phần chính (Principal Component Analysis – PCA)

Mô hình phân cụm

Mô hình hồi quy tuyến tính được áp dụng với hàm sigmoid để phân loại

Mô hình cây quyết định

Mô hình mạng nơ-ron đơn giản

Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP)

Nhận dạng hình ảnh (Image Recognition)

Dự báo chuỗi thời gian (Time Series Forecasting)

Phân cụm dữ liệu (Clustering)

Nó đảm bảo mô hình luôn hội tụ nhanh chóng

Khởi tạo sai có thể dẫn đến vấn đề ‘vanishing gradient’ hoặc ‘exploding gradient’

Nó loại bỏ nhu cầu về ‘regularization’

Nó tự động chọn kiến trúc mạng nơ-ron phù hợp