Quay lại bộ đề
Question #267 Topic 1
You work for a large bank that operates in locations throughout North America. You are setting up a data storage system that will handle bank account transactions. You require ACID compliance and the ability to access data with SQL. Which solution is appropriate?
Bạn làm việc cho một ngân hàng lớn hoạt động tại các địa điểm khắp Bắc Mỹ. Bạn đang thiết lập một hệ thống lưu trữ dữ liệu sẽ xử lý các giao dịch tài khoản ngân hàng. Bạn yêu cầu tuân thủ tính chất ACID và khả năng truy cập dữ liệu bằng SQL. Giải pháp nào là phù hợp?
A
Increase the size of the training dataset, and increase the number of input features.
Tăng kích thước của tập dữ liệu huấn luyện (training dataset), và tăng số lượng đặc trưng đầu vào (input features).
B
Increase the size of the training dataset, and decrease the number of input features.
Tăng kích thước của tập dữ liệu huấn luyện, và giảm số lượng đặc trưng đầu vào.
C
Reduce the size of the training dataset, and increase the number of input features.
Giảm kích thước của tập dữ liệu huấn luyện, và tăng số lượng đặc trưng đầu vào.
D
Reduce the size of the training dataset, and decrease the number of input features.
Giảm kích thước của tập dữ liệu huấn luyện, và giảm số lượng đặc trưng đầu vào.
Giải thích & Tài liệu tham khảo
> [!NOTE]
> Lưu ý: Câu hỏi này bị lỗi hiển thị lựa chọn trong đề thi gốc. Câu hỏi tiếng Anh yêu cầu thiết lập hệ thống giao dịch ngân hàng ACID (lẽ ra đáp án phải là Cloud Spanner), nhưng các lựa chọn trong tệp JSON này lại thuộc về một câu hỏi khắc phục hiện tượng quá khớp (Overfitting) trong Học máy (Machine Learning).
Dựa trên các lựa chọn hiện tại trong tệp JSON:
- Lựa chọn B (Increase the size of the training dataset, and decrease the number of input features) là phương pháp chuẩn để giải quyết hiện tượng quá khớp (overfitting) của mô hình học máy:
- Tăng kích thước tập dữ liệu huấn luyện: Giúp mô hình tiếp cận được nhiều mẫu dữ liệu đa dạng hơn, từ đó nâng cao khả năng khái quát hóa (generalization) đối với dữ liệu mới.
- Giảm số lượng đặc trưng đầu vào: Giảm bớt các thông tin nhiễu hoặc các đặc trưng quá chi tiết không cần thiết, giúp đơn giản hóa mô hình và giảm thiểu nguy cơ học thuộc lòng dữ liệu huấn luyện.
- Tại sao các lựa chọn khác sai: Các phương án tăng số lượng đặc trưng hoặc giảm kích thước dữ liệu huấn luyện (A, C, D) đều làm trầm trọng thêm tình trạng overfitting của mô hình.
(Đáp án được gợi ý bởi AI)