A.4 · Học máy

Trọng tâm SL được hỗ trợ. Mục tiêu đánh giá đầu tiên 2027; PDF chính thức trả về 403; tài liệu ngắn thu thập trước đó là bài đánh giá cuối cùng 2026. Hướng dẫn còn lại, yêu cầu đánh giá và thực hành giữ nguyên các bản ghi đã lưu.

Yêu cầu tiên quyết: đọc các đại lượng và đơn vị được nêu, sử dụng phép tính toán và các điều kiện mô hình dưới đây. Mỗi bài học sẽ phát triển phương pháp riêng trước khi chuyển giao độc lập.

Đây là các ví dụ giảng dạy gốc hoặc được ghi rõ là hư cấu, không phải là các phép đo thực tế hay các nghiên cứu đánh giá học viên đã hoàn tất.

Giải thích hiện tượng này là gì?

• Một mô hình có thể đạt điểm cao bằng cách học một lối tắt trong dữ liệu huấn luyện. Đánh giá phải kiểm tra nhiệm vụ mong muốn trên các ví dụ chưa thấy phù hợp.
• Bắt đầu bằng một dự đoán. Nêu rõ các đại lượng hoặc đặc điểm bạn sẽ so sánh, sau đó quyết định bằng chứng nào có thể phân biệt hai lời giải thích.

Xây dựng mô hình

• Cơ sở dữ liệu quan hệ sử dụng bảng, khóa và mối quan hệ để tổ chức dữ liệu. Học máy ước lượng các mẫu từ dữ liệu. Dữ liệu huấn luyện và đánh giá phục vụ các vai trò khác nhau.
• Khóa chính: Tập thuộc tính xác định duy nhất một bản ghi; Rò rỉ dữ liệu: Sử dụng thông tin không khả dụng ở thời điểm dự kiến ban đầu.

Chọn bằng chứng để kiểm định mô hình

• Khóa chính xác định duy nhất một bản ghi; khóa ngoại liên kết các bản ghi. Trong dự đoán, rò rỉ có thể tiết lộ thông tin không khả dụng tại thời điểm ra quyết định thực tế. Độ chính xác đơn thuần có thể che giấu sự phân bố mục tiêu mất cân bằng.
• Sử dụng các bản đặt phòng giả để xác định các thực thể, thuộc tính và mối quan hệ. Đối với bài tập học tập, hãy sử dụng tập dữ liệu công khai không nhạy cảm, tách biệt dữ liệu huấn luyện và kiểm tra, đồng thời mô tả những ai có thể bị ảnh hưởng bởi lỗi sai. Phạm vi mục tiêu CS 2027 hiện tại đang chờ hướng dẫn đã thu thập.

Bắt đầu từ các đại lượng đã biết

• Nêu các giá trị đã biết và đơn vị của chúng. Chọn công thức vì các giả thiết của nó phù hợp với trường hợp này, sau đó biến đổi trước khi thay số.
• Đã biết: một bộ phân loại đưa ra 90 dự đoán đúng trong số 100 trường hợp. Độ chính xác = đúng/tổng × 100 = 90%. Nếu 90 trường hợp thuộc về một lớp, việc luôn dự đoán lớp đó sẽ cho cùng độ chính xác nhưng vẫn có thể thất bại ở mọi trường hợp của lớp thiểu số.

Ví dụ:

Một mô hình đưa ra 72 dự đoán đúng từ tổng số 80. Tìm phần trăm độ chính xác. Sử dụng cùng trình tự: đại lượng đã biết → mô hình → mối quan hệ → thay thế → đơn vị và diễn giải.

Kiểm tra kết luận và giới hạn của nó

• Độ chính xác cao không phải là bằng chứng về sự công bằng hay hiểu biết nguyên nhân. Một khóa chính cơ sở dữ liệu không đơn giản chỉ là bất kỳ trường nào trông có vẻ quan trọng.
• Quay trở lại quan sát ban đầu. Giải thích kết quả hỗ trợ điều gì, những điều kiện nào mà nó giả định, và một cách để kiểm chứng một giải thích cạnh tranh.

Cảnh báo:

Một bộ phân loại có độ chính xác 90% phải xử lý tốt tất cả các lớp như nhau. Tuyên bố này là sai: Độ chính xác cao không phải là bằng chứng về sự công bằng hay hiểu biết nguyên nhân. Một khóa chính cơ sở dữ liệu không đơn giản chỉ là bất kỳ trường nào trông có vẻ quan trọng.

Tóm tắt:

Mô hình dữ liệu và học máy có trách nhiệm: Một khóa chính xác định duy nhất một bản ghi; khóa ngoại liên kết các bản ghi. Trong dự đoán, rò rỉ có thể tiết lộ thông tin không khả dụng tại thời điểm ra quyết định thực tế. Độ chính xác đơn thuần có thể che giấu sự phân bố mục tiêu mất cân bằng.

Chuỗi thực thi chạy được và ranh giới

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

Kết quả mong đợi:

0.89 0.8
UNDEFINED

Độ chính xác chia số dự đoán đúng cho tất cả các trường hợp; recall dương chia số true positives cho tổng số thực tế là dương. Với không có trường hợp dương nào, recall là vô định chứ không phải bằng không. Tập dữ liệu là giả định, không có mô hình đã huấn luyện hay dữ liệu cá nhân nào.