Đáp án Quiz ML & Data Science — 37 câu hỏi có giải thích

Đáp án: A

Có giám sát học từ dữ liệu đã gán nhãn (ảnh này là mèo, đơn hàng này bị hủy) để dự đoán nhãn cho dữ liệu mới. Không giám sát làm việc với dữ liệu không nhãn, tìm cấu trúc ẩn — phân cụm khách hàng, giảm chiều, phát hiện bất thường.

Đáp án: B

Quá khớp: mô hình học thuộc cả nhiễu và đặc điểm riêng của tập huấn luyện nên không tổng quát hóa sang dữ liệu mới. Dấu hiệu đặc trưng là khoảng cách lớn giữa điểm huấn luyện và điểm kiểm tra.

Đáp án: A

Validation dùng để chọn siêu tham số và so sánh các mô hình. Test chỉ dùng một lần ở cuối để ước lượng hiệu năng thật. Nếu liên tục điều chỉnh theo điểm trên tập test, bạn đã gián tiếp huấn luyện trên nó và con số cuối không còn đáng tin.

Đáp án: B

99,8% — và đó chính là vấn đề: mô hình vô dụng vì bỏ sót toàn bộ gian lận, nhưng chỉ số vẫn đẹp. Với dữ liệu mất cân bằng phải đọc precision, recall và ma trận nhầm lẫn thay vì accuracy.

Đáp án: C

Precision = trong những ca mô hình báo dương, bao nhiêu phần trăm đúng. Recall = trong những ca thực sự dương, mô hình bắt được bao nhiêu phần trăm. Hạ ngưỡng thì recall tăng còn precision giảm, và ngược lại.

Đáp án: A

Biến đầu vào mà mô hình dùng để dự đoán — mỗi cột dữ liệu là một đặc trưng. Thứ mô hình cần dự đoán ra gọi là nhãn hay biến mục tiêu.

Đáp án: B

Tương quan không phải nhân quả. Ở đây có một biến ẩn là thời tiết nóng: trời nóng thì người ta vừa ăn kem nhiều hơn vừa đi bơi nhiều hơn. Muốn kết luận nhân quả cần thí nghiệm có can thiệp hoặc các phương pháp suy luận nhân quả.

Đáp án: C

Học không giám sát — phân cụm. k-means chia dữ liệu thành k cụm sao cho các điểm trong cùng cụm gần nhau, không cần nhãn. Dùng nhiều cho phân nhóm khách hàng và nén dữ liệu.

Đáp án: A

Hồi quy — đầu ra là một giá trị liên tục. Nếu đề bài đổi thành dự đoán căn nhà thuộc phân khúc rẻ, trung bình hay cao cấp thì mới thành phân loại.

Đáp án: D

Vì gán số tạo ra quan hệ thứ tự và khoảng cách giả: mô hình tuyến tính sẽ hiểu Hà Nội = 1, Đà Nẵng = 2, TP.HCM = 3 nghĩa là TP.HCM "lớn gấp ba" Hà Nội. One-hot tách thành các cột nhị phân độc lập nên không tạo ra thứ tự nào.

Đáp án: B

Lỗi của mô hình có hai nguồn kéo ngược nhau: bias (mô hình quá đơn giản, bỏ sót quy luật thật) và variance (mô hình quá nhạy với dữ liệu huấn luyện cụ thể). Giảm cái này thường làm tăng cái kia, nên phải tìm điểm cân bằng.

Đáp án: C

Ước lượng hiệu năng ổn định hơn: dữ liệu chia thành k phần, lần lượt mỗi phần làm tập kiểm còn lại để huấn luyện, rồi lấy trung bình. Nhờ vậy kết quả không phụ thuộc vào việc một lần chia ngẫu nhiên có may hay không.

Đáp án: D

Mô hình được tiếp cận thông tin mà lúc dự đoán thật nó không thể có. Kết quả là điểm đánh giá đẹp giả tạo, rồi mô hình sụp đổ khi triển khai — một trong những lỗi tốn kém nhất trong dự án dữ liệu.

Đáp án: A

L1 phạt theo trị tuyệt đối nên đẩy được một số hệ số về đúng 0 — tức tự chọn lọc đặc trưng. L2 phạt theo bình phương nên chỉ co nhỏ hệ số, giữ lại tất cả nhưng giảm ảnh hưởng.

Đáp án: A

Mô hình không phân biệt được hai lớp, ngang với đoán ngẫu nhiên. AUC là xác suất mô hình chấm điểm một mẫu dương ngẫu nhiên cao hơn một mẫu âm ngẫu nhiên — 1,0 là hoàn hảo, 0,5 là vô dụng.

Đáp án: C

Mô hình dựa trên cây (cây quyết định, rừng ngẫu nhiên, gradient boosting): chúng chia dữ liệu theo ngưỡng trên từng cột riêng lẻ nên đơn vị đo không ảnh hưởng. Các thuật toán dựa trên khoảng cách hoặc dùng gradient descent thì bắt buộc phải chuẩn hóa.

Đáp án: C

Rừng ngẫu nhiên dựng nhiều cây độc lập, song song trên các mẫu và tập đặc trưng ngẫu nhiên rồi lấy trung bình — giảm variance. Gradient boosting dựng cây tuần tự, mỗi cây học phần sai còn lại của các cây trước — giảm bias.

Đáp án: D

Tắt ngẫu nhiên một phần nơ-ron trong mỗi bước huấn luyện, buộc mạng không phụ thuộc vào vài đường dẫn cố định — một dạng điều chuẩn chống quá khớp. Khi suy luận thì bật lại toàn bộ nơ-ron.

Đáp án: A

Hàm mất mát dao động mạnh hoặc tăng vọt vì mỗi bước cập nhật nhảy quá xa, liên tục vượt qua điểm tối ưu. Ngược lại, learning rate quá nhỏ thì hội tụ rất chậm và dễ mắc kẹt ở vùng phẳng.

Đáp án: D

Vì chia ngẫu nhiên cho mô hình nhìn thấy tương lai: nó học từ dữ liệu tháng 12 rồi được đánh giá trên tháng 6. Điểm đánh giá sẽ cao giả tạo, vì lúc dùng thật mô hình chỉ có dữ liệu quá khứ. Phải chia theo mốc thời gian.

Đáp án: A

Giảm chiều: chiếu dữ liệu lên một số ít trục mới giữ được phần lớn phương sai. Dùng để nén dữ liệu, giảm nhiễu, và trực quan hóa dữ liệu nhiều chiều xuống hai hoặc ba chiều.

Đáp án: B

Một vector số dày đặc biểu diễn đối tượng (từ, sản phẩm, người dùng) sao cho các đối tượng gần nhau về ngữ nghĩa thì vector cũng gần nhau. Học được từ dữ liệu chứ không gán tay.

Đáp án: D

Dữ liệu có cấu trúc không gian — chủ yếu là ảnh. Phép tích chập khai thác việc các điểm gần nhau có liên quan, và dùng chung bộ lọc trên toàn ảnh nên nhận ra được đặc trưng dù nó xuất hiện ở vị trí nào.

Đáp án: A

Thực tế là dương nhưng mô hình dự đoán âm — tức bỏ sót. Trong phát hiện gian lận, đây là giao dịch gian lận được cho qua; trong sàng lọc bệnh, đây là ca bệnh bị bỏ sót.

Đáp án: A

Siêu tham số do người đặt trước khi huấn luyện: learning rate, độ sâu cây, cường độ điều chuẩn, số cụm. Tham số là thứ mô hình học được từ dữ liệu: trọng số, hệ số, ngưỡng chia của từng nút cây.

Đáp án: B

Tìm hiểu vì sao thiếu trước đã. Thiếu ngẫu nhiên thì điền giá trị là hợp lý; thiếu có hệ thống (chỉ khách hàng mới mới thiếu, chỉ đơn hủy mới thiếu) thì bản thân việc thiếu là tín hiệu và nên tạo thêm một cột đánh dấu.

Đáp án: D

Để có mốc so sánh. Không có baseline thì con số 87% không nói lên điều gì — có thể đoán theo lớp đa số đã đạt 85%. Baseline cũng cho biết bài toán dễ hay khó, và giúp phát hiện sớm lỗi trong pipeline dữ liệu.

Đáp án: B

Chỉ số offline không nối được với mục tiêu kinh doanh. Mô hình gợi ý chính xác hơn 3% không đồng nghĩa người dùng bấm nhiều hơn — họ có thể vẫn chọn đúng thứ họ đã định. Ngoài ra còn có lệch giữa dữ liệu huấn luyện và dữ liệu thực tế.

Đáp án: D

Kết hợp dự đoán của nhiều mô hình để giảm lỗi tổng thể: khi các mô hình mắc lỗi ở những chỗ khác nhau, phần lỗi riêng lẻ triệt tiêu bớt. Đổi lại tốn tài nguyên hơn và khó giải thích hơn.

Đáp án: C

Nghĩa là: nếu thật sự không có khác biệt, xác suất quan sát được chênh lệch lớn như thế này (hoặc lớn hơn) là 3%. Nó không nói xác suất B tốt hơn A là 97%, và cũng không nói hiệu ứng lớn hay nhỏ.

Đáp án: B

Ép về khoảng không đến một cho khoảng cố định nhưng rất nhạy với giá trị ngoại lai — một giá trị cực lớn dồn mọi giá trị còn lại về gần không. Chuẩn hoá theo trung bình và độ lệch chuẩn không giới hạn khoảng nhưng chịu ảnh hưởng của ngoại lai ít hơn.

Đáp án: B

Trước tiên đổi chỉ số đánh giá: dùng precision, recall, và diện tích dưới đường cong precision-recall thay vì độ chính xác tổng thể. Rồi chỉnh ngưỡng quyết định theo chi phí thực tế của hai loại sai. Can thiệp vào dữ liệu là bước sau.

Đáp án: A

Số chiều tăng theo số giá trị, tạo ra ma trận rất thưa: mô hình khó học vì mỗi cột có rất ít mẫu dương, và bộ nhớ cùng thời gian huấn luyện tăng mạnh. Với biến nhiều giá trị, các cách mã hoá khác phù hợp hơn.

Đáp án: A

Dựa vào chi phí của sai số theo độ lớn: nếu sai lệch lớn gây hậu quả nghiêm trọng hơn nhiều thì dùng chỉ số bình phương sai số; nếu mọi sai lệch có chi phí tỷ lệ thuận thì dùng chỉ số theo giá trị tuyệt đối, vốn cũng bền hơn với giá trị ngoại lai.

Đáp án: D

Khác biệt lớn nhất: ranh giới từ không trùng khoảng trắng. Nhiều từ gồm hai âm tiết viết rời, nên tách theo khoảng trắng cắt sai đơn vị mang nghĩa. Ngoài ra cần chuẩn hoá cách mã hoá dấu, vì cùng một chữ có thể được lưu bằng nhiều dạng byte khác nhau.

Đáp án: B

Chia theo nhóm: toàn bộ bản ghi của một người chỉ nằm ở một tập. Chia ngẫu nhiên theo bản ghi khiến mô hình học đặc điểm riêng của từng người và nhận ra họ ở tập kiểm tra — kết quả đánh giá cao hơn thực tế rất nhiều.

Đáp án: A

Đây là vấn đề hiệu chỉnh xác suất: mô hình phân biệt tốt giữa hai lớp nhưng giá trị đầu ra không tương ứng với tần suất thực tế. Điều này quan trọng khi con số được dùng để ra quyết định — ví dụ tính giá trị kỳ vọng hoặc đặt ngưỡng theo chi phí.