Thử nghiệm chức năng ứng dụng lập trình kỹ thuật

Các hệ số đánh giá mô hình có thể áp dụng trong 2 bài thực hành đã

Nó cung cấp một cách tổng hợp để đánh giá hiệu suất của mô hình, bao gồm cả khả năng của mô hình trong việc tránh dự đoán sai các mẫu âm và khả năng của mô hình trong việc nhận diện đúng các mẫu thuộc lớp dương. -Điểm chính xác của Cross-Validation (Cross Validation Score) là điểm số trung bình của độ chính xác trên các fold của tập dữ liệu huấn luyện khi sử dụng phương pháp cross-validation. -Điểm chính xác trên tập kiểm thử(Testing Accuracy Score): là tỷ lệ phần trăm của các dự đoán chính xác trên tập dữ liệu kiểm thử.

-Model Accuracy Score: Chỉ số đo lường độ chính xác của mô hình bằng cách tính phần trăm số dự đoán đúng so với tổng số dự đoán. -Confution matrix (ma trận nhầm lẫn): cho biết số lượng các dự đoán đúng và sai theo từng lớp. Nó giúp đánh giá chi tiết hơn hiệu suất của mô hình bằng cách xem xét từng loại lỗi mà mô hình mắc phải.

Mô tả quá trình thực hiện bài toán; Đánh giá từng bước của quy trình (nếu có)

-Đánh giá: Việc lựa chọn và triển khai mô hình đòi hỏi hiểu biết sâu sắc về các thuật toán và mô hình, cũng như sự hiểu biết về bản chất của vấn đề. -Huấn luyện mô hình trên tập huấn luyện và điều chỉnh các siêu tham số để cải thiện hiệu suất của mô hình. -Đánh giá: Quá trình huấn luyện mô hình cần phải được kiểm soát cẩn thận để tránh overfitting hoặc underfitting.

-Sử dụng các số liệu đánh giá (metrics) để đo lường hiệu suất của mô hình trên tập kiểm tra. -Đánh giá: nên sử dụng các metrics phù hợp và kiểm tra tính tổng quát hóa của mô hình trên dữ liệu kiểm tra. +Giỏm sỏt và bảo trỡ: Theo dừi hiệu suất của mụ hỡnh trong thực tế và thực hiện bảo trì, cập nhật mô hình khi cần thiết.

-Đánh giá: Quá trình này cần được thực hiện an toàn để đảm bảo mô hình hoạt động tốt trong thực tế. -Qua quá trình thực hiện bài thực hành này, chúng em đã thu nhận được kiến thức về thuật toán K-Nearest Neighbors (KNN) và cách áp dụng nó trong bài toán nhận dạng loài hoa. - KNN là một phương pháp phân loại đơn giản nhưng hiệu quả trong machine learning, hoạt động dựa trên nguyên lý so sánh sự tương đồng giữa các điểm dữ liệu -Quỏ trỡnh thực hiện bài toỏn này đó giỳp chỳng em hiểu rừ cỏc bước cơ bản để sử dụng KNN, bao gồm chuẩn bị dữ liệu, xây dựng mô hình, đánh giá hiệu suất và dự đoán kết quả.

Đặc biệt, việc chọn số lượng láng giềng (K) phù hợp và đánh giá hiệu suất của mô hình thông qua các độ đo như độ chính xác đã giúp chúng em có cái nhìn tổng quan về cách thức hoạt động và ứng dụng của thuật toán KNN trong thực tế. TH2: Sử dụng thuật toán Naive Bayes trong bài toán phân loại và dự đoán thu nhập cá nhân. Qua bài thực hành trên chúng em đã tiếp cận và thu nhận kiến thức về thuật toán Naive Bayes và cách sử dụng nó trong bài toán phân loại và dự đoán thu nhập cá nhân.

-Naive Bayes là một phương pháp phân loại dựa trên nguyên lý của định lý Bayes và giả định đơn giản ("naive") về độc lập giữa các đặc trưng. -Quá trình này đã giúp chúng em hiểu cách chuẩn bị dữ liệu, huấn luyện mô hình và đánh giá hiệu suất của thuật toán Naive Bayes. Việc áp dụng và thực hành trên dữ liệu thực tế cũng giỳp chỳng em hiểu rừ hơn về ứng dụng của Naive Bayes trong việc phân loại và dự đoán các biến phân loại như thu nhập cá nhân.