Ôn tập Classification

Mục tiêu chính của việc tối đa hóa lề (Maximum Margin) trong Support Vector Machine (SVM) là gì?

• Để tăng tốc độ huấn luyện của mô hình.

• Để mô hình có thể xử lý được nhiều lớp hơn.

• Để tăng khả năng khái quát hóa và sự tự tin của mô hình trên dữ liệu mới.

• Để giảm số lượng vector hỗ trợ.

Trong một mạng nơ-ron, các "lớp ẩn" (hidden layers) có vai trò chính là gì?

• Lưu trữ dữ liệu đầu vào ban đầu.

• Học các đặc trưng ngày càng phức tạp và trừu tượng từ dữ liệu.

• Đưa ra kết quả phân loại cuối cùng.

• Giảm số chiều của dữ liệu.

Một bộ phân loại dựa trên luật được tạo ra bằng thuật toán "bao phủ tuần tự" (sequential covering). Điều gì thường xảy ra với tập dữ liệu huấn luyện sau khi một luật được học?

• Tập dữ liệu được tăng cường bằng cách thêm các mẫu mới.

• Các mẫu dữ liệu được bao phủ bởi luật đó sẽ bị loại bỏ.

• Toàn bộ tập dữ liệu được sử dụng lại để học luật tiếp theo.

• Thứ tự của các mẫu trong tập dữ liệu bị xáo trộn.

"Thủ thuật Kernel" (Kernel Trick) trong SVM giải quyết vấn đề gì?

• Xử lý các bài toán có ranh giới quyết định phi tuyến tính một cách hiệu quả.

• Giảm thời gian huấn luyện của mô hình.

• Tăng số lượng vector hỗ trợ để mô hình chính xác hơn.

• Chỉ áp dụng được cho các bài toán phân loại nhị phân.

Điều gì làm cho Mạng Nơ-ron được coi là "mô hình hộp đen" (Black-box)?

• Chúng chỉ hoạt động với dữ liệu dạng số.

• Chúng đòi hỏi tài nguyên tính toán lớn.

• Quá trình học của chúng rất chậm.

• Rất khó để diễn giải chính xác logic bên trong và tại sao nó đưa ra một quyết định cụ thể.

Khi nào việc sử dụng chỉ số Accuracy để đánh giá mô hình có thể gây hiểu nhầm nhất?

• Khi dữ liệu có nhiều chiều.

• Khi dữ liệu có các lớp rất mất cân bằng.

• Khi mô hình là một cây quyết định.

• Khi tập dữ liệu kiểm thử rất lớn.

Trong bài toán chẩn đoán ung thư, việc bỏ sót một bệnh nhân (False Negative) là cực kỳ nguy hiểm. Do đó, chúng ta cần tối ưu chỉ số nào nhất?

• Accuracy

• Precision

• Recall

• True Negative Rate

Giả sử bạn đang xây dựng một bộ lọc email và muốn giảm thiểu tối đa việc email quan trọng bị gửi nhầm vào hòm thư rác (False Positive). Bạn sẽ tập trung tối ưu chỉ số nào?

• Accuracy

• Precision

• Recall

• F1-Score

Một cây quyết định được phát triển cho đến khi mỗi nút lá chỉ chứa các mẫu thuộc một lớp duy nhất. Hiện tượng gì rất có thể sẽ xảy ra?

• Underfitting (kém khớp)

• Overfitting (quá khớp)

• Cây không thể phân loại dữ liệu mới.

• Tốc độ huấn luyện rất nhanh.

Sự khác biệt chính giữa việc cắt tỉa luật (rule pruning) và cắt tỉa cây (tree pruning) là gì?

• Cắt tỉa luật luôn làm tăng độ chính xác, trong khi cắt tỉa cây thì không.

• Cắt tỉa luật linh hoạt hơn vì mỗi luật được tối ưu độc lập, không bị ràng buộc bởi cấu trúc phân cấp của cây.

• Chỉ cây quyết định mới có thể được cắt tỉa.

• Cắt tỉa luật chỉ áp dụng cho các luật được tạo bởi thuật toán bao phủ tuần tự.