300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 2

Phân loại dữ liệu

Tìm các cụm dữ liệu

Giảm thiểu hàm mất mát (loss function) bằng cách điều chỉnh tham số mô hình

Tạo ra các đặc trưng mới

Tỷ lệ các dự đoán đúng trên tổng số dự đoán

Trung bình của bình phương sai số giữa giá trị dự đoán và giá trị thực tế

Tỷ lệ các trường hợp dương tính được dự đoán đúng

Độ chính xác của các dự đoán âm tính

Cây quyết định (Decision Tree)

Các thuật toán dựa trên khoảng cách như K-Nearest Neighbors (KNN) và SVM

Hồi quy Logistic

Tất cả các thuật toán học máy

Mô hình quá đơn giản, không nắm bắt được mối quan hệ trong dữ liệu

Mô hình hoạt động tốt trên cả tập huấn luyện và tập kiểm tra

Mô hình hoạt động rất tốt trên tập huấn luyện nhưng kém trên tập kiểm tra

Dữ liệu huấn luyện không đủ lớn

Độ chính xác (Accuracy)

Sai số bình phương trung bình (Mean Squared Error – MSE)

F1-Score

R-squared

Học có giám sát (Supervised Learning)

Học không giám sát (Unsupervised Learning) cho giảm chiều dữ liệu

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)

Hồi quy tuyến tính (Linear Regression)

Phân cụm Isolation Forest

Hồi quy Logistic (Logistic Regression)

Cây quyết định (Decision Tree)

Tăng tốc độ huấn luyện

Ngăn chặn overfitting bằng cách dừng huấn luyện khi hiệu suất trên tập kiểm tra bắt đầu giảm

Giảm thiểu sai số hệ thống (bias)

Tăng cường tính đa dạng của các đặc trưng

C. Tỷ lệ các trường hợp âm tính thực sự trên tổng số các trường hợp được dự đoán là âm tính

Các tham số của mô hình được học từ dữ liệu

Các biến đầu vào của mô hình

Các tham số được thiết lập trước khi quá trình huấn luyện bắt đầu và không được học từ dữ liệu

Các giá trị đầu ra của mô hình

Decision Trees (Cây quyết định)

Linear Regressions (Hồi quy tuyến tính)

Support Vector Machines (SVM)

K-Means Clustering

Dự đoán giá nhà dựa trên diện tích, vị trí và số phòng ngủ

Phân loại hình ảnh thành chó hoặc mèo

Nhận dạng chữ viết tay

Phát hiện gian lận thẻ tín dụng

Đánh giá hiệu suất của mô hình một cách đáng tin cậy và ước lượng khả năng khái quát hóa của nó

Tăng tốc độ huấn luyện mô hình trên tập dữ liệu lớn

Giảm số lượng đặc trưng (features) cần thiết cho mô hình

Trực quan hóa kết quả học tập của mô hình

Sai số hệ thống do giả định đơn giản hóa của mô hình, dẫn đến việc mô hình bỏ sót các mối quan hệ thực sự trong dữ liệu

Sai số ngẫu nhiên do tính không chắc chắn của dữ liệu

Sai số do quá trình huấn luyện không hội tụ

Sai số do dữ liệu bị thiếu

Bias (độ chệch) và Variance (phương sai)

Precision và Recall

Overfitting và Underfitting

Accuracy và F1-Score

Các đặc trưng là độc lập có điều kiện với nhau, cho biết lớp (class) của mẫu

Các đặc trưng có mối tương quan mạnh mẽ với nhau

Dữ liệu tuân theo phân phối chuẩn

Các lớp là phụ thuộc lẫn nhau

Sử dụng một lượng nhỏ dữ liệu có nhãn và một lượng lớn dữ liệu không nhãn để huấn luyện mô hình

Chỉ sử dụng dữ liệu có nhãn

Chỉ sử dụng dữ liệu không nhãn

Huấn luyện mô hình dựa trên phần thưởng từ môi trường

Mô hình học quá tốt trên tập dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới chưa từng thấy

Mô hình học kém trên cả tập dữ liệu huấn luyện và dữ liệu mới

Mô hình có khả năng khái quát hóa tốt trên mọi loại dữ liệu

Mô hình cần nhiều dữ liệu hơn để hội tụ

Mức độ thay đổi của ước lượng mô hình nếu nó được huấn luyện trên các tập dữ liệu huấn luyện khác nhau

Sai số hệ thống do giả định đơn giản hóa của mô hình

Sai số do dữ liệu bị thiếu

Sai số do mô hình không hội tụ