ML&DM2

Cho tập dữ liệu gồm các điểm dữ liệu sau: A = (0;2), B = (0;1) và C = (1;0). Thuật toán K-means (với khoảng cách Euclid) với 2 cụm và tâm cụm được khởi tạo tại A và B. Khi hội tụ, tâm cụm sẽ là

• A và C

• A và trung điểm BC

• C và trung điểm AB

• A và B

Hàm đánh giá nào để chọn thuộc tính kiểm tra là phù hợp nhất đối với các biến (thuộc tính) kiểu định danh có nhiều giá trị?

• Entropy

• Gain Ratio

• Information Gain

Hãy chọn phát biểu đúng về Quá khớp (Overfitting)

• Một hàm được gọi là bị quá khớp so với hàm khác nếu nó xấp xỉ kém chính xác hơn trên tập dữ liệu huấn luyện, nhưng chính xác hơn khi phán đoán các dữ liệu trong tương lai

• Một hàm được gọi là bị quá khớp so với hàm khác nếu nó xấp xỉ kém chính xác hơn trên tập dữ liệu huấn luyện và phán đoán các dữ liệu trong tương lai kém chính xác hơn

• Một hàm được gọi là bị quá khớp so với hàm khác nếu nó xấp xỉ chính xác hơn trên tập dữ liệu huấn luyện, nhưng kém chính xác hơn khi phán đoán các dữ liệu trong tương lai

• Tất cả các lựa chọn khác là sai

Phương pháp bình phương tối thiểu chỉ có thể áp dụng được khi hàm hồi quy có độ lệch (slope/bias) dương?

• True

• False

Những phát biểu nào sau đây là SAI khi huấn luyện bộ phân loại SVM tuyến tính từ một tập huấn luyện kích thước m?

• Có thể không có vector hỗ trợ

• Số lượng vector hỗ trợ phụ thuộc vào chọn hằng số phạt C

• Số lượng vector hỗ trợ phụ thuộc vào m

• Bộ phận loại học được có thể đưa ra dự đoán sai cho tất cả tập dữ liệu huấn luyện

• Số lượng vector hỗ trợ độc lập với m

Với soft-margin SVM, những mẫu nào sẽ nó giá trị Ei khác 0

• Tất cả các mẫu nằm trên siêu phẳng lề

• Tất cả các mẫu nằm ngoài lề

• Tất cả các mẫu bị sai lớp

• Tất cả các mẫu nằm bên trong lề

Mô hình hồi quy sau đây thuộc lớp nào? f(x) = w0 + w1x1 + ... + wnxn trong đó w0,w1,...,wn là các hệ số hồi quy

• Mô hình tuyến tính

• Mô hình phi tuyến

• Mô hình phi tham số

Định nghĩa "mode" là gì?

• giá trị lặp lại nhiều nhất

• giá trị trung bình

• giá trị nằm ở giữa

• độ phân tách dữ liệu

Mình đang sử dụng một mảng nơ-ron nhiều tầng và nhận thấy rằng lỗi huấn luyện đang giảm và hội tụ tới một cực tiểu cục bộ. Sau đó, khi Minh kiểm tra trên dữ liệu mới, lỗi cao bất thường. Có lẽ những điều gì đang xảy ra và chúng ta khuyên Minh nên làm gì?

• Sử dụng cùng dữ liệu huấn luyện nhưng thêm nhiều tầng ẩn hơn

• Kích thước dữ liệu huấn luyện không đủ lớn. Thu thập một dữ liệu lớn hơn và huấn luyện lại nó

• Sử dụng cách khởi tạo khác và huấn luyện mạng nhiều lần. Sử dụng kết quả dự đoán trung bình của các mạng đã được huấn luyện để đưa ra dự đoán cho dữ liệu kiểm thử

• Thử nghiệm với các tốc độ khác nhau (learning rate) và bổ sung thêm thành phần hiệu chỉnh (regularization) vào hàm mục tiêu

• Khi lambda -> +00, hàm học được sẽ có xu hướng bị underfitting

• Khi lambda -> +00, hàm học được sẽ có xu hướng bị overfitting

• Khi lambda -> 0, hàm học được sẽ có xu hướng bị underfitting

• lambda chẳng liên quan gì đến overfitting hay underfitting

• Khi lambda -> 0, hàm học được sẽ có xu hướng bị overfitting