300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 4

Precision và Recall

Accuracy và Precision

Accuracy và Recall

True Positives và False Positives

Tính toán gradient của hàm mất mát theo trọng số của mạng để cập nhật trọng số

Lan truyền dữ liệu đầu vào qua các lớp của mạng

Giảm chiều dữ liệu trước khi đưa vào mạng

Xác định kiến trúc mạng nơ-ron phù hợp

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

Mô hình hoạt động quá tốt trên dữ liệu huấn luyện

Mô hình có quá nhiều tham số

Dữ liệu huấn luyện quá nhiễu

Các đặc trưng đầu vào là độc lập có điều kiện với nhau, cho lớp mục tiêu

Các đặc trưng đầu vào có mối tương quan mạnh với nhau

Dữ liệu phải tuân theo phân phối chuẩn

Mô hình phải có độ phức tạp cao

Biểu diễn từ dưới dạng các vector số có ý nghĩa ngữ nghĩa và ngữ cảnh

Tách văn bản thành các từ riêng lẻ

Loại bỏ các từ dừng và dấu câu

Xác định cấu trúc ngữ pháp của câu

Chia dữ liệu thành các tập con dựa trên các câu hỏi về các đặc trưng

Tìm kiếm các điểm dữ liệu gần nhất trong không gian đặc trưng

Xây dựng một mặt phẳng phân chia tuyến tính giữa các lớp

Học một hàm ánh xạ từ đầu vào đến đầu ra thông qua mạng nơ-ron

Tỷ lệ Dương tính thật (True Positive Rate – TPR) và Tỷ lệ Dương tính giả (False Positive Rate – FPR)

Precision và Recall

Accuracy và F1-score

Precision và FPR

Đảm bảo các đặc trưng có thang đo khác nhau không ảnh hưởng không công bằng đến thuật toán (ví dụ: thuật toán dựa trên khoảng cách như KNN, SVM)

Tăng số lượng đặc trưng trong tập dữ liệu

Loại bỏ các giá trị ngoại lai một cách tự động

Giảm tính phi tuyến của dữ liệu

Tìm cực tiểu của một hàm mất mát (loss function)

Tăng tốc độ xử lý dữ liệu

Giảm chiều dữ liệu

Tạo ra các đặc trưng mới từ dữ liệu

Xây dựng tuần tự các mô hình yếu, mỗi mô hình mới cố gắng sửa lỗi của các mô hình trước đó

Huấn luyện đồng thời nhiều mô hình độc lập

Sử dụng các điểm dữ liệu gần nhất để đưa ra dự đoán

Tìm kiếm siêu phẳng tối ưu hóa biên

Tìm kiếm các giá trị tốt nhất cho các siêu tham số của mô hình (ví dụ: learning rate, số lượng cây trong Random Forest)

Huấn luyện mô hình trên toàn bộ tập dữ liệu

Chọn ra các đặc trưng quan trọng nhất

Đánh giá hiệu suất cuối cùng của mô hình

Giảm chiều dữ liệu (Dimensionality Reduction)

Học không giám sát (Unsupervised Learning) cho phân cụm

Học có giám sát (Supervised Learning) cho phân loại

Học tăng cường (Reinforcement Learning)

Tỷ lệ các trường hợp dương tính thực sự trong tất cả các trường hợp dương tính thực tế

Tỷ lệ các trường hợp dương tính thực sự trong tất cả các trường hợp được mô hình dự đoán là dương tính

Tỷ lệ các trường hợp âm tính thực sự trong tất cả các trường hợp âm tính thực tế

Tỷ lệ các trường hợp âm tính thực sự trong tất cả các trường hợp được mô hình dự đoán là âm tính

Siêu phẳng (hyperplane) phân chia dữ liệu sao cho có khoảng cách lớn nhất đến các điểm dữ liệu gần nhất của mỗi lớp (margin)

Đường phân chia tuyến tính đi qua tâm của các cụm dữ liệu

Tập hợp các điểm dữ liệu gần nhất với điểm trung bình của mỗi lớp

Cây quyết định dựa trên các ngưỡng đặc trưng

Sai số do các giả định đơn giản hóa của mô hình, dẫn đến việc bỏ lỡ các mối quan hệ có thật trong dữ liệu

Sai số do sự nhạy cảm của mô hình với biến động nhỏ trong tập huấn luyện

Sai số do việc sử dụng quá nhiều đặc trưng

Sai số do việc lựa chọn thuật toán không phù hợp

Nhiều cây quyết định (decision trees) được huấn luyện độc lập và kết quả được tổng hợp (ví dụ: bỏ phiếu đa số)

Một cây quyết định duy nhất với các quy tắc phức tạp hơn

Các điểm dữ liệu gần nhất trong không gian đặc trưng

Các bộ phân loại tuyến tính được kết hợp lại

Độ lớn của các hệ số (weights) của các đặc trưng trong mô hình

Tốc độ học (learning rate) của thuật toán tối ưu hóa

Số lượng đặc trưng được sử dụng

Số lượng mẫu trong tập huấn luyện

Hiệu suất phân loại của mô hình trên các lớp khác nhau, bao gồm True Positives, False Positives, True Negatives, False Negatives

Tốc độ hội tụ của thuật toán huấn luyện

Mức độ tương quan giữa các đặc trưng đầu vào

Sự phân bố của các giá trị ngoại lai trong tập dữ liệu

Các hệ số (coefficients) của một phương trình tuyến tính

Các điểm gần nhất trong không gian đặc trưng

Các cụm dữ liệu

Các quy tắc phân loại

Giảm số lượng đặc trưng, giúp mô hình chạy nhanh hơn và dễ trực quan hóa hơn

Tăng số lượng đặc trưng để cải thiện độ chính xác

Chỉ tập trung vào các đặc trưng tuyến tính

Loại bỏ tất cả các giá trị ngoại lai

Chọn ra một tập hợp con các đặc trưng quan trọng nhất để sử dụng trong mô hình

Tạo ra các đặc trưng mới từ dữ liệu thô

Giảm số lượng mẫu huấn luyện

Tăng độ phức tạp của mô hình