Câu hỏi: Trong các phát biểu sau, phát biểu nào ĐÚNG?

• I. Validation set approach là trường hợp đặc biệt của $k$-fold CV.
• II. LOOCV có độ chệch (bias) thấp hơn $k$-fold CV khi $k < n$.
• III. $k$-fold CV tốn ít chi phí tính toán hơn LOOCV khi $k < n$.

$\implies$ Đáp án chính xác là (C) Chỉ II và III đúng.

]]>https://nzqirc.xyz/posts/math/stats/bagging/Fri, 18 Sep 2026 20:50:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bagging/Một cây quyết định sâu có độ chệch thấp nhưng phương sai rất cao: nó ghi nhớ nhiễu và rất nhạy với mẫu huấn luyện.

Năm 1996, Leo Breiman đề xuất Bagging (Bootstrap Aggregating) giúp triệt tiêu phương sai mà không tăng độ chệch.

---

1. Trực giác toán học: Sức mạnh số đông

Nếu có $B$ biến ngẫu nhiên độc lập cùng phương sai $\sigma^2$, trung bình cộng của chúng có phương sai giảm $B$ lần:

]]>https://nzqirc.xyz/posts/math/stats/bootstrap-method/Mon, 03 Aug 2026 09:30:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bootstrap-method/<p>Trong thống kê và học máy, việc đánh giá độ bất định của một ước lượng (như trung bình, phương sai hay một thước đo rủi ro) thường phụ thuộc vào phân phối chọn mẫu của ước lượng đó. Trong thực tế, phân phối này hiếm khi có sẵn dưới dạng giải tích. <strong>Phương pháp Bootstrap</strong> dùng phân phối thực nghiệm để xấp xỉ độ bất định mà không cần ấn định một họ phân phối tham số cụ thể. Bài viết trình bày trực giác, cách hoạt động và một ứng dụng của Bootstrap trong phân tích chuỗi thời gian tài chính.</p>