Kiến thức về Hồi quy Tuyến tính

Linear Regression là gì?

• Một phương pháp phân nhóm dữ liệu

• Một mô hình học không giám sát

• Một kỹ thuật phân loại nhị phân

• Một phương pháp xác định mối quan hệ giữa biến độc lập và biến phụ thuộc

Simple Linear Regression sử dụng bao nhiêu biến độc lập?

• Không có biến độc lập

• Một biến độc lập

• Hai biến độc lập

• Nhiều biến độc lập

Multiple Linear Regression khác Simple Linear Regression ở điểm nào?

• Không có biến phụ thuộc

• Có nhiều biến độc lập

• Chỉ dùng để phân loại

• Không cần dữ liệu huấn luyện

Hệ số góc trong hồi quy tuyến tính thể hiện điều gì?

• Mức độ thay đổi của biến phụ thuộc theo biến độc lập

• Tổng các sai số

• Điểm giao nhau với trục hoành

• Số chiều của dữ liệu

Giả định nào sau đây là đúng với Linear Regression?

• Biến độc lập phải không có quan hệ với biến phụ thuộc

• Biến độc lập phải có quan hệ tuyến tính với biến phụ thuộc

• Mô hình không cần giả định

• Biến phụ thuộc phải là chuỗi ký tự

Phương pháp Gradient Descent có vai trò gì?

• Dùng để chọn biến độc lập

• Tối ưu hóa các tham số của mô hình

• Kiểm tra dữ liệu bị mất

• Phân nhóm dữ liệu

Learning rate quá lớn trong Gradient Descent gây ra điều gì?

• Giải thuật hội tụ nhanh

• Không ảnh hưởng gì

• Giải thuật có thể không hội tụ hoặc bị phân kỳ

• Mô hình chính xác hơn

Overfitting là gì?

• Mô hình học quá ít dữ liệu

• Mô hình học quá mức trên tập huấn luyện

• Mô hình không học gì từ dữ liệu

• Mô hình bị lỗi thuật toán

Underfitting xảy ra khi nào?

• Mô hình quá phức tạp

• Mô hình học chưa đủ để nắm bắt mẫu dữ liệu

• Mô hình nhớ tất cả dữ liệu

• Dữ liệu không có biến độc lập

Regularization giúp xử lý vấn đề nào trong Linear Regression?

• Giảm thời gian huấn luyện

• Giảm overfitting

• Tăng số lượng biến

• Xóa dữ liệu bị thiếu