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

Các lớp của K điểm dữ liệu gần nhất với nó trong tập huấn luyện

Khoảng cách đến tâm của mỗi lớp

Độ tương đồng với các điểm dữ liệu ở biên của các lớp

Các quy tắc được học từ cây quyết định

Ngăn chặn overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện

Tăng tốc độ lan truyền tín hiệu qua mạng

Giảm số lượng lớp ẩn trong mạng

Tự động hóa việc lựa chọn hàm kích hoạt

Tỷ lệ các dự đoán đúng trên tổng số dự đoán

Tỷ lệ các dự đoán dương tính đúng trên tổng số dự đoán dương tính

Tỷ lệ các dự đoán dương tính đúng trên tổng số trường hợp dương tính thực tế

Tỷ lệ các dự đoán âm tính đúng trên tổng số dự đoán âm tính

Chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ

Chuyển đổi văn bản thành biểu diễn số

Xác định ngữ pháp của câu

Loại bỏ các từ dừng (stop words)

Tập huấn luyện (Training set), tập kiểm định (Validation set) và tập kiểm tra (Test set)

Chỉ tập huấn luyện và tập kiểm tra

Tập huấn luyện và tập tiền xử lý

Tập huấn luyện, tập xác định đặc trưng và tập kiểm tra

Cải thiện độ chính xác và khả năng tổng quát hóa bằng cách kết hợp nhiều mô hình

Giảm thời gian huấn luyện mô hình

Đơn giản hóa quy trình tiền xử lý dữ liệu

Tự động lựa chọn thuật toán phù hợp nhất

Học không giám sát (Unsupervised Learning)

Học có giám sát (Supervised Learning)

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)

Mối quan hệ nghịch đảo giữa sai số do thiên vị (bias) và sai số do phương sai (variance) của mô hình

Khả năng mô hình học cả dữ liệu huấn luyện và dữ liệu kiểm tra

Sự khác biệt giữa giá trị dự đoán và giá trị thực tế trên dữ liệu huấn luyện

Tốc độ hội tụ của thuật toán tối ưu hóa

Tăng trọng số cho các mẫu dữ liệu mà các mô hình trước đó phân loại sai

Huấn luyện các mô hình độc lập hoàn toàn

Giảm trọng số của các mẫu dữ liệu khó phân loại

Sử dụng các điểm dữ liệu gần nhất

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