300+ câu Trắc nghiệm Học máy cơ bản có đáp án - Phần 7

K-Means

Naive Bayes

Gradient Boosting (ví dụ: XGBoost, LightGBM)

Linear Regression

Để tăng tốc độ lan truyền ngược

Để cho phép mạng ghi nhớ thông tin từ các bước thời gian trước đó, phù hợp cho dữ liệu chuỗi

Để giảm số lượng tham số trong mạng

Để áp dụng phép tích chập

Tăng số lượng đặc trưng (features)

Giảm kích thước của tập huấn luyện (training set)

Áp dụng các kỹ thuật điều chuẩn (regularization) như L1 hoặc L2, hoặc sử dụng Dropout

Tăng độ phức tạp của mô hình bằng cách thêm nhiều lớp hoặc nơ-ron hơn

Precision

Recall

F1-Score

Accuracy

Giảm chiều dữ liệu

Chuyển đổi các biến phân loại (categorical variables) thành dạng số mà các thuật toán có thể xử lý

Chuẩn hóa các biến liên tục

Loại bỏ các giá trị thiếu

Tăng bias luôn dẫn đến giảm variance và ngược lại

Cần tìm sự cân bằng giữa bias (mô hình quá đơn giản) và variance (mô hình quá phức tạp) để đạt được hiệu suất tổng quát hóa tốt nhất

Bias và variance là hai loại lỗi hoàn toàn độc lập

Chỉ có thể giảm bias hoặc variance, không thể cùng lúc cải thiện cả hai

Logistic Regression

Decision Tree

K-Means

Linear Regression

Biểu diễn ngữ nghĩa của câu

Biểu diễn một tài liệu văn bản dưới dạng một vectơ tần suất của các từ, bỏ qua ngữ pháp và thứ tự từ

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Phân tích cảm xúc của văn bản

Định lý Bayes và giả định độc lập có điều kiện giữa các đặc trưng

Quy tắc nhân của xác suất có điều kiện

Sự tương quan giữa các biến

Phân phối Gaussian

Linear Regression

Support Vector Machine (SVM)

Principal Component Analysis (PCA)

Logistic Regression

Linear Regression

K-Means

Random Forest

PCA

DBSCAN yêu cầu số lượng cụm (K) phải được chỉ định trước, còn K-Means thì không

DBSCAN có thể phát hiện các cụm có hình dạng tùy ý và xác định các điểm nhiễu (noise points), trong khi K-Means giả định các cụm có hình dạng cầu và không xử lý nhiễu một cách rõ ràng

DBSCAN luôn nhanh hơn K-Means

K-Means sử dụng phân phối xác suất, còn DBSCAN thì không

Để tính toán đầu ra cuối cùng của mạng

Để đưa tính phi tuyến vào mô hình, cho phép mạng học các mối quan hệ phức tạp

Để chuẩn hóa đầu vào của các lớp tiếp theo

Để điều chỉnh trọng số của mạng

K-Means

Principal Component Analysis (PCA)

Support Vector Machine (SVM)

K-Nearest Neighbors (KNN)

Sai số do mô hình quá đơn giản, không nắm bắt được mối quan hệ cơ bản trong dữ liệu

Sai số do mô hình quá phức tạp, nhạy cảm với nhiễu trong dữ liệu huấn luyện

Sai số do việc lựa chọn đặc trưng không phù hợp

Sai số do thiếu dữ liệu huấn luyện

Phân cụm dữ liệu thành các nhóm

Tìm đường phân chia (hyperplane) tối ưu hóa khoảng cách giữa các lớp dữ liệu

Dự đoán giá trị liên tục

Giảm chiều dữ liệu

Tăng tốc độ huấn luyện mô hình

Đánh giá độ tin cậy của mô hình và dự đoán hiệu suất trên dữ liệu chưa nhìn thấy

Giảm số lượng đặc trưng cần thiết

Loại bỏ các giá trị ngoại lai (outliers) trong dữ liệu

Tối đa hóa sai số giữa giá trị dự đoán và giá trị thực tế

Tối thiểu hóa sai số (ví dụ: tổng bình phương sai số – Sum of Squared Errors) giữa giá trị dự đoán và giá trị thực tế

Tối thiểu hóa số lượng đặc trưng được sử dụng

Tối đa hóa số lượng điểm dữ liệu nằm trên đường hồi quy

Tỷ lệ các trường hợp dương tính thực (True Positives) trên tổng số các trường hợp được dự đoán là dương tính (TP + FP)

Tỷ lệ các trường hợp dương tính thực (True Positives) trên tổng số các trường hợp dương tính thực tế (TP + FN)

Tỷ lệ các trường hợp âm tính thực (True Negatives) trên tổng số các trường hợp được dự đoán là âm tính (TN + FN)

Tỷ lệ các trường hợp âm tính thực (True Negatives) trên tổng số các trường hợp âm tính thực tế (TN + FP)

K-Means

Linear Regression

Decision Tree

Support Vector Machine (SVM)