Kiểm tra tuần 4: Hiểu, đánh giá và cải thiện hiệu suất

Training, val và test có ý nghĩa như thế nào?

• Quá trình huấn luyện mô hình, đánh giá mô hình và kiểm thử mô hình

• Quá trình đánh giá mô hình, kiểm thử mô hình và huấn luyện mô hình

• Quá trình huấn luyện mô hình, đánh giá hiệu suất và kiểm thử mô hình

• Quá trình kiểm thử mô hình, huấn luyện mô hình và đánh giá mô hình

Loss và Metrics khác nhau như thế nào?

• Loss function đánh giá trong quá trình training, Metrics function đánh giá sau khi training hoặc sử dụng thực tế

• Loss function đánh giá trong quá trình training, Metrics function đánh giá trong quá trình testing

• Loss function đánh giá sau khi training, Metrics function đánh giá trong quá trình training

• Loss function đánh giá trong quá trình testing, Metrics function đánh giá trong quá trình training

Ví dụ về Metrics dùng cho regression là gì?

• MSE và MAE

• Presision và Recall

• Sensitivity và Specificity

• AUC và F1-score

Irreducible error là gì?

• Lỗi do mô hình quá phức tạp nhớ dữ liệu huấn luyện nhưng không tổng quát hóa tốt

• Lỗi do mô hình quá đơn giản không thể nắm bắt được quy luật dữ liệu

• Lỗi không thể giảm được do yếu tố ngẫu nhiên độc lập với các biến khác

• Lỗi do mô hình không thể dự đoán được giá trị thực tế

K-fold validation là gì?

• Phương pháp huấn luyện mô hình trên toàn bộ data set

• Phương pháp chia tập dữ liệu thành k batch và lặp lại quá trình kiểm định

• Phương pháp chia tập dữ liệu thành training và testing một cách ngẫu nhiên

• Phương pháp lấy mẫu để đánh giá hiệu suất mô hình khi dữ liệu không đủ phong phú

Overfitting là gì?

• Hiện tượng mô hình không thể nắm bắt được quy luật tạo ra sự khác biệt trong dữ liệu

• Hiện tượng mô hình quá đơn giản không thể hiện đầy đủ sự phức tạp của dữ liệu

• Hiện tượng mô hình quá phức tạp nhớ dữ liệu huấn luyện nhưng không tổng quát hóa tốt

• Hiện tượng mô hình dự đoán chính xác trên dữ liệu huấn luyện nhưng không tổng quát hóa tốt cho dữ liệu mới

Underfitting là gì?

• Hiện tượng mô hình quá phức tạp nhớ dữ liệu huấn luyện nhưng không tổng quát hóa tốt

• Hiện tượng mô hình quá đơn giản không thể hiện đầy đủ sự phức tạp của dữ liệu

• Hiện tượng mô hình dự đoán chính xác trên dữ liệu huấn luyện nhưng không tổng quát hóa tốt cho dữ liệu mới

• Hiện tượng mô hình chưa có độ chính xác cao trong tập huấn luyện cũng như tổng quát hóa với tổng thể dữ liệu

Bias và Variance liên quan như thế nào tới model complexity?

• Mô hình cao độ phức tạp có bias cao và variance thấp, mô hình thấp độ phức tạp có bias thấp và variance cao

• Mô hình cao độ phức tạp có bias cao và variance cao, mô hình thấp độ phức tạp có bias thấp và variance thấp

• Mô hình cao độ phức tạp có bias thấp và variance cao, mô hình thấp độ phức tạp có bias cao và variance thấp

• Mô hình cao độ phức tạp có bias thấp và variance thấp, mô hình thấp độ phức tạp có bias cao và variance cao

Bias-variance tradeoff là gì?

• Sự đánh đổi giữa giảm bias và tăng variance hoặc ngược lại

• Sự đánh đổi giữa giảm variance và tăng bias hoặc ngược lại

• Sự đánh đổi giữa giảm bias và giảm variance cùng mức

• Sự đánh đổi giữa tăng bias và tăng variance cùng mức

Generalization gap là gì?

• Sự khác biệt giữa hiệu suất trên tập dữ liệu mới và tập dữ liệu huấn luyện

• Sự khác biệt giữa hiệu suất trên tập dữ liệu huấn luyện và tập dữ liệu kiểm tra

• Sự khác biệt giữa hiệu suất trên tập dữ liệu kiểm tra và tập dữ liệu validation

• Sự khác biệt giữa hiệu suất trên tập dữ liệu validation và tập dữ liệu test