Mô hình tuyến tính#
Câu 1 - Linear Regression - Boston Housing#
Tải dữ liệu Boston Housing từ sklearn và chuyển thành DataFrame.
# Câu trả lời ở đây
Câu 2 - Linear Regression - Boston Housing#
Chia dữ liệu thành tập huấn luyện và kiểm tra (80/20).
# Câu trả lời ở đây
Câu 3 - Linear Regression - Boston Housing#
Huấn luyện mô hình hồi quy tuyến tính để dự đoán MEDV.
# Câu trả lời ở đây
Câu 4 - Linear Regression - Boston Housing#
Hiển thị hệ số và intercept của mô hình tuyến tính.
# Câu trả lời ở đây
Câu 5 - Linear Regression - Boston Housing#
Dự đoán giá nhà trên tập kiểm tra và tính MAE, MSE, RMSE.
# Câu trả lời ở đây
Câu 6 - Linear Regression - Boston Housing#
Vẽ biểu đồ scatter giữa giá nhà thực tế và dự đoán.
# Câu trả lời ở đây
Câu 7 - Linear Regression - Boston Housing#
Vẽ biểu đồ residual plot (giá trị thực - giá trị dự đoán).
# Câu trả lời ở đây
Câu 8 - Linear Regression - Boston Housing#
Tính R-squared của mô hình trên tập huấn luyện và kiểm tra.
# Câu trả lời ở đây
Câu 9 - Linear Regression - Boston Housing#
Chuẩn hóa dữ liệu đầu vào trước khi huấn luyện.
# Câu trả lời ở đây
Câu 10 - Linear Regression - Boston Housing#
So sánh hiệu suất mô hình trước và sau khi chuẩn hóa.
# Câu trả lời ở đây
Câu 11 - Linear Regression - Boston Housing#
Loại bỏ các biến có tương quan thấp với MEDV và huấn luyện lại mô hình.
# Câu trả lời ở đây
Câu 12 - Linear Regression - Boston Housing#
Thêm tương tác giữa các biến (feature interaction) vào mô hình.
# Câu trả lời ở đây
Câu 13 - Linear Regression - Boston Housing#
Sử dụng Ridge Regression và so sánh với Linear Regression.
# Câu trả lời ở đây
Câu 14 - Linear Regression - Boston Housing#
Sử dụng Lasso Regression và so sánh kết quả với Ridge.
# Câu trả lời ở đây
Câu 15 - Linear Regression - Boston Housing#
Tìm alpha tốt nhất cho Ridge Regression bằng cross-validation.
# Câu trả lời ở đây
Câu 16 - Linear Regression - Boston Housing#
Hiển thị biểu đồ so sánh hệ số mô hình Ridge với Lasso.
# Câu trả lời ở đây
Câu 17 - Linear Regression - Boston Housing#
Vẽ heatmap hệ số tương quan giữa các đặc trưng đầu vào.
# Câu trả lời ở đây
Câu 18 - Linear Regression - Boston Housing#
So sánh mô hình hồi quy tuyến tính khi dùng toàn bộ biến và chỉ top 5 biến liên quan.
# Câu trả lời ở đây
Câu 19 - Linear Regression - Boston Housing#
Thử huấn luyện mô hình trên tập dữ liệu nhỏ hơn (50%) và so sánh kết quả.
# Câu trả lời ở đây
Câu 20 - Linear Regression - Boston Housing#
Tạo pipeline bao gồm chuẩn hóa + LinearRegression, và đánh giá mô hình.
# Câu trả lời ở đây
Câu 21 - Logistic Regression - Ung thư Wisconsin#
Tải dữ liệu ung thư Wisconsin từ sklearn.
# Câu trả lời ở đây
Câu 22 - Logistic Regression - Ung thư Wisconsin#
Chuyển dữ liệu thành DataFrame và hiển thị info().
# Câu trả lời ở đây
Câu 23 - Logistic Regression - Ung thư Wisconsin#
Gán nhãn benign = 0, malignant = 1.
# Câu trả lời ở đây
Câu 24 - Logistic Regression - Ung thư Wisconsin#
Chia dữ liệu thành tập huấn luyện và kiểm tra (80/20).
# Câu trả lời ở đây
Câu 25 - Logistic Regression - Ung thư Wisconsin#
Huấn luyện mô hình LogisticRegression để phân loại.
# Câu trả lời ở đây
Câu 26 - Logistic Regression - Ung thư Wisconsin#
Hiển thị các hệ số và intercept của mô hình.
# Câu trả lời ở đây
Câu 27 - Logistic Regression - Ung thư Wisconsin#
Dự đoán nhãn trên tập kiểm tra và in ma trận nhầm lẫn.
# Câu trả lời ở đây
Câu 28 - Logistic Regression - Ung thư Wisconsin#
Tính accuracy, precision, recall và F1-score.
# Câu trả lời ở đây
Câu 29 - Logistic Regression - Ung thư Wisconsin#
Vẽ biểu đồ ROC và tính AUC.
# Câu trả lời ở đây
Câu 30 - Logistic Regression - Ung thư Wisconsin#
Hiển thị xác suất dự đoán (predict_proba) cho 5 mẫu đầu tiên.
# Câu trả lời ở đây
Câu 31 - Logistic Regression - Ung thư Wisconsin#
So sánh hiệu suất mô hình trên tập huấn luyện và kiểm tra.
# Câu trả lời ở đây
Câu 32 - Logistic Regression - Ung thư Wisconsin#
Chuẩn hóa dữ liệu trước khi huấn luyện.
# Câu trả lời ở đây
Câu 33 - Logistic Regression - Ung thư Wisconsin#
So sánh logistic regression trước và sau khi chuẩn hóa.
# Câu trả lời ở đây
Câu 34 - Logistic Regression - Ung thư Wisconsin#
Hiển thị các đặc trưng ảnh hưởng nhiều nhất đến dự đoán.
# Câu trả lời ở đây
Câu 35 - Logistic Regression - Ung thư Wisconsin#
Tạo biểu đồ bar hệ số (coef_) của logistic model.
# Câu trả lời ở đây
Câu 36 - Logistic Regression - Ung thư Wisconsin#
Sử dụng GridSearchCV để chọn tham số C tối ưu.
# Câu trả lời ở đây
Câu 37 - Logistic Regression - Ung thư Wisconsin#
Thử loại bỏ 5 đặc trưng có hệ số thấp nhất và huấn luyện lại.
# Câu trả lời ở đây
Câu 38 - Logistic Regression - Ung thư Wisconsin#
Tạo pipeline gồm StandardScaler và LogisticRegression.
# Câu trả lời ở đây
Câu 39 - Logistic Regression - Ung thư Wisconsin#
Tạo mô hình logistic chỉ với 2 biến đầu tiên và vẽ đường phân chia.
# Câu trả lời ở đây
Câu 40 - Logistic Regression - Ung thư Wisconsin#
Vẽ biểu đồ xác suất dự đoán theo một đặc trưng đầu vào.
# Câu trả lời ở đây
Câu 41 - Softmax Multiclass - Iris#
Tải dữ liệu Iris từ sklearn, sử dụng đầy đủ cả 3 lớp.
# Câu trả lời ở đây
Câu 42 - Softmax Multiclass - Iris#
Chia dữ liệu thành tập huấn luyện và kiểm tra (80/20).
# Câu trả lời ở đây
Câu 43 - Softmax Multiclass - Iris#
Chuẩn hóa dữ liệu đầu vào bằng StandardScaler.
# Câu trả lời ở đây
Câu 44 - Softmax Multiclass - Iris#
Huấn luyện mô hình LogisticRegression với multi_class='multinomial' và solver=’lbfgs’.
# Câu trả lời ở đây
Câu 45 - Softmax Multiclass - Iris#
Hiển thị xác suất dự đoán của 5 mẫu đầu tiên sử dụng hàm softmax.
# Câu trả lời ở đây
Câu 46 - Softmax Multiclass - Iris#
In ra ma trận nhầm lẫn và classification report trên tập kiểm tra.
# Câu trả lời ở đây
Câu 47 - Softmax Multiclass - Iris#
Vẽ biểu đồ decision region cho 2 đặc trưng đầu tiên.
# Câu trả lời ở đây
Câu 48 - Softmax Multiclass - Iris#
Hiển thị hệ số (coef_) của từng lớp trong mô hình softmax.
# Câu trả lời ở đây
Câu 49 - Softmax Multiclass - Iris#
Vẽ biểu đồ heatmap hệ số của 3 lớp với các đặc trưng.
# Câu trả lời ở đây
Câu 50 - Softmax Multiclass - Iris#
Tạo pipeline chuẩn hóa + mô hình softmax logistic và đánh giá bằng cross-validation.
# Câu trả lời ở đây