<pre style="text-align: center;">"[___WARNING_Kh&oacute;a học đang trong qu&aacute; tr&igrave;nh cập nhật nội dung mỗi tuần n&ecirc;n kh&ocirc;ng thể tr&aacute;nh khỏi sai s&oacute;t. Rất mong bạn đọc th&ocirc;ng cảm. Nếu c&oacute; bất cứ thắc mắc n&agrave;o h&atilde;y ib cho page <a href="https://www.facebook.com/tek4.vn">TEK4.VN</a> hoặc thảo luận tại group <a href="https://www.facebook.com/groups/tek4.vn">TEK4.VN- Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>_WARNING___]"</pre>
<h3 style="text-align: justify;">Giới thiệu kh&oacute;a học machine learning cơ bản với Python</h3>
Bạn nghe n&oacute;i về tr&iacute; tuệ nh&acirc;n tạo rồi machine learning v&agrave; muốn t&igrave;m hiểu về n&oacute;. Kh&oacute;a học n&agrave;y l&agrave; gi&agrave;nh cho bạn.
Kh&oacute;a học n&agrave;y được thiết kế một c&aacute;ch b&agrave;i bản với những kiến thức từ cơ bản đến n&acirc;ng cao gi&uacute;p bạn c&oacute; khả năng l&agrave;m quen một c&aacute;ch dễ d&agrave;ng nhất với lĩnh vực machine learning.
C&aacute;c chủ đề của kh&oacute;a học được thiết kế liền mạch với những giải th&iacute;ch dễ hiểu v&agrave; v&iacute; dụ minh họa thực tế. Với mỗi b&agrave;i học, bạn sẽ được l&agrave;m quen với c&aacute;c kỹ năng mới v&agrave; n&acirc;ng cao hiểu biết của m&igrave;nh về lĩnh vực học m&aacute;y đầy th&aacute;ch thức nhưng lại v&ocirc; c&ugrave;ng th&uacute; vị với nhiều ứng dụng thực tế n&agrave;y.
Một điều đặc biệt nữa của kh&oacute;a học l&agrave; n&oacute; được thiết kế sao cho mỗi phần l&agrave; tương đối độc lập. V&igrave; vậy, bạn c&oacute; thể học to&agrave;n bộ kh&oacute;a học từ đầu đến cuối hoặc bạn cũng c&oacute; thể nhảy ngay v&agrave;o bất kỳ phần cụ thể n&agrave;o v&agrave; t&igrave;m hiểu những g&igrave; bạn cần ngay lập tức.
Hơn nữa, kh&oacute;a học bao gồm nhiều b&agrave;i tập dựa tr&ecirc;n c&aacute;c nghi&ecirc;n cứu t&igrave;nh huống thực tế trong đời sống. V&igrave; vậy, bạn kh&ocirc;ng chỉ học l&yacute; thuyết m&agrave; c&ograve;n được thực h&agrave;nh rất nhiều v&iacute; dụ để x&acirc;y dựng c&aacute;c m&ocirc; h&igrave;nh của ri&ecirc;ng m&igrave;nh một c&aacute;ch thực thụ. Đặc biệt, bạn sẽ được luyện tập với c&aacute;c kh&aacute;i niệm NGAY LẬP TỨC với hệ thống b&agrave;i tập được hệ thống h&oacute;a v&agrave; đ&aacute;nh gi&aacute; trực tiếp tr&ecirc;n TEK4.VN.
<h3 style="text-align: justify;">Kh&oacute;a học machine learning cơ bản với Python n&agrave;y d&agrave;nh cho ai?</h3>
<ul>
<li style="text-align: justify;">Bất cứ ai quan t&acirc;m đến Machine Learning.</li>
<li style="text-align: justify;">Học vi&ecirc;n đ&atilde; c&oacute; những kiến thức trung học phổ th&ocirc;ng về to&aacute;n v&agrave; muốn bắt đầu học Machine Learning.</li>
<li style="text-align: justify;">Bất kỳ ai đ&atilde; c&oacute; những kiến thức cơ bản về học m&aacute;y, như c&aacute;c thuật to&aacute;n cổ điển như hồi quy tuyến t&iacute;nh hoặc hồi quy logistic, nhưng vẫn muốn t&igrave;m hiểu th&ecirc;m về học m&aacute;y v&agrave; kh&aacute;m ph&aacute; c&aacute;c kh&iacute;a cạnh kh&aacute;c của machine learning.</li>
<li style="text-align: justify;">Bất kỳ ai gặp kh&oacute; khăn trong việc lập tr&igrave;nh để &aacute;p dụng c&aacute;c thuật to&aacute;n học m&aacute;y v&agrave;o b&agrave;i to&aacute;n thực tế.</li>
<li style="text-align: justify;">Bất kỳ sinh vi&ecirc;n đại học n&agrave;o muốn bắt đầu sự nghiệp trong lĩnh vực machine learning.</li>
<li style="text-align: justify;">Bất kỳ ai muốn n&acirc;ng cao kiến thức của bản th&acirc;n trong lĩnh vực Machine Learning.</li>
<li style="text-align: justify;">Bất kỳ người n&agrave;o kh&ocirc;ng h&agrave;i l&ograve;ng với c&ocirc;ng việc của họ v&agrave; muốn trở th&agrave;nh Nh&agrave; khoa học dữ liệu.</li>
<li style="text-align: justify;">Bất kỳ người n&agrave;o muốn tạo gi&aacute; trị gia tăng cho doanh nghiệp của họ bằng c&aacute;ch sử dụng c&aacute;c c&ocirc;ng cụ Machine Learning mạnh mẽ.</li>
</ul>

Machine Learning cơ bản với Python

Ở b&agrave;i học trước,&nbsp;ch&uacute;ng ta đ&atilde; nắm được t&aacute;c dụng của ba bộ dữ liệu: training set, validation set v&agrave; testing set. Th&ocirc;ng thường do sự hạn chế của t&agrave;i nguy&ecirc;n cũng như thời gian, ch&uacute;ng ta sẽ t&aacute;ch ba bộ n&agrave;y từ một bộ dữ liệu quan s&aacute;t duy nhất được cung cấp. Thực ra ch&uacute;ng ta c&oacute; thể x&acirc;y dựng ri&ecirc;ng một bộ testing set, hay validation set ri&ecirc;ng, nhưng điều đ&oacute; kh&ocirc;ng cần thiết v&agrave; tốn qu&aacute; nhiều thời gian. Phương &aacute;n tối ưu nhất vẫn l&agrave; chia ra từ bộ dữ liệu quan s&aacute;t được cung cấp sẵn. Vậy, ch&uacute;ng ta chia như thế n&agrave;o?
Về cơ bản, ch&uacute;ng ta c&oacute; nhiều c&aacute;ch ph&acirc;n chia c&aacute;c tập dữ liệu kh&aacute;c nhau phụ thuộc v&agrave;o số lượng dữ liệu quan s&aacute;t được cung cấp v&agrave; m&ocirc; h&igrave;nh thực tế được huấn luyện. C&oacute; 3 c&aacute;ch chia tập dữ liệu thường được sử dụng tr&ecirc;n thực tế đ&oacute; l&agrave;:
<ul style="text-align: justify;">
<li>Hold-out: Đ&acirc;y l&agrave; phương ph&aacute;p chỉ chia tập dữ liệu quan s&aacute;t được cung cấp th&agrave;nh hai tập con, trong đ&oacute; một tập để huấn luyện (thường chiếm 80% lượng dữ liệu hoặc 70% dữ liệu) v&agrave; một tập được bỏ ra (Hold-out) ngo&agrave;i tập huấn luyện đ&oacute;ng vai tr&ograve; l&agrave; testing set, l&agrave; phần c&ograve;n lại của bộ dữ liệu được cung cấp (thường l&agrave; 20% lượng dữ liệu hoặc 30% dữ liệu c&ograve;n lại).</li>
<li>Train-Validation-Test Split: Đ&acirc;y l&agrave; phương ph&aacute;p c&oacute; sử dụng bộ dữ liệu validation set. C&aacute;ch thức chia tương tự như trường hợp Hold-out, tức l&agrave; để ri&ecirc;ng ra một bộ dữ liệu để kiểm thử (testing set), v&agrave; trong lượng dữ liệu c&ograve;n lại lại chia nhỏ th&agrave;nh 2 phần, 1 phần để train m&ocirc; h&igrave;nh (thường khoảng 80% lượng dữ liệu c&ograve;n lại), v&agrave; một phần để kiểm chứng v&agrave; hiệu chỉnh m&ocirc; h&igrave;nh (validation &ndash; 20% dữ liệu c&ograve;n lại).</li>
<li>Cross Validation: Đ&acirc;y l&agrave; phương ph&aacute;p chủ yếu được sử dụng để đ&aacute;nh gi&aacute; thuật to&aacute;n huấn luyện hoặc dạng của m&ocirc; h&igrave;nh huấn luyện chứ kh&ocirc;ng phải m&ocirc; h&igrave;nh huấn luyện. Khi đ&oacute;, qu&aacute; tr&igrave;nh huấn luyện v&agrave; kiểm thử sẽ được thực hiện lặp đi lặp lại nhiều lần. Trong mỗi lần tập dữ liệu quan s&aacute;t sẽ được lần lượt chia th&agrave;nh 2 phần (training v&agrave; testing), phần training được sử dụng cho việc huấn luyện, c&ograve;n phần testing được sử dụng cho kiểm thử. Sau đ&oacute; kết quả kiểm thử tại mỗi lần sẽ được cộng lại v&agrave; lấy trung b&igrave;nh. Nếu kết quả trung b&igrave;nh tốt c&oacute; nghĩa l&agrave; thuật to&aacute;n huấn luyện hoặc dạng của m&ocirc; h&igrave;nh được sử dụng tốt v&agrave; c&oacute; độ ổn định cao. C&aacute;ch chia tập training &ndash; testing trong cross validation lại kh&aacute;c nhau dựa tr&ecirc;n số lượng dữ liệu được chia, trong đ&oacute; c&oacute; thể kể đến như:&nbsp;Leave-p-out cross-validation (để ra một lượng dữ liệu l&agrave; p quan s&aacute;t l&agrave;m kiểm thử),&nbsp;Leave-one-out cross-validation (lấy 1 điểm dữ liệu duy nhất để kiểm thử sau mỗi lần), v&agrave; phổ biến nhất l&agrave; k-fold validation (chia bộ dữ liệu th&agrave;nh $k$-phần, trong đ&oacute; 1 phần đễ kiểm thử v&agrave; $k-1$ phần để huấn luyện). &Yacute; tường ch&iacute;nh ở đ&acirc;y l&agrave; ch&uacute;ng ta sẽ thực hiện to&agrave;n bộ qu&aacute; tr&igrave;nh huấn luyện - đ&aacute;nh gi&aacute; $k$ lần v&agrave; t&iacute;nh trung b&igrave;nh độ ch&iacute;nh x&aacute;c qua c&aacute;c lần. V&iacute; dụ: trong 5 -fold cross validation, ch&uacute;ng ta sẽ lấy $20 \%$ của bộ dữ liệu đễ t&iacute;nh to&aacute;n accuracy, precision, recall, F1Score... Sau đ&oacute;, ch&uacute;ng ta sẽ thực hiện kiểm thử tiếp $20 \%$ dữ liệu thứ hai v&agrave; t&iacute;nh to&aacute;n lại c&aacute;c thống k&ecirc; n&agrave;y. Quy tr&igrave;nh n&agrave;y lặp đi lặp lại 5 lần v&agrave; mỗi lần testing set sẽ l&agrave; một ph&acirc;n đoạn dữ liệu kh&aacute;c nhau. Cuối c&ugrave;ng ch&uacute;ng ta t&iacute;nh trung b&igrave;nh tất cả c&aacute;c độ ch&iacute;nh x&aacute;c, ch&uacute;ng ta sẽ hiểu rō hơn về c&aacute;ch m&ocirc; h&igrave;nh của ch&uacute;ng ta hoạt động.</li>
</ul>
<img style="width: 600px; display: block; margin-left: auto; margin-right: auto;" src="https://tek4.vn/public_files/7d076679-fac5-4f00-9973-5ed2b54faf9f" alt="cross_validation-v1-1024x385" />
<h2 id="ftoc-heading-6" class="ftwp-heading" style="text-align: justify;">Chọn phương ph&aacute;p chia n&agrave;o?</h2>
C&oacute; rất nhiều c&aacute;c phương ph&aacute;p chia dữ liệu như vậy, vậy th&igrave; ch&uacute;ng ta chọn phương ph&aacute;p chia n&agrave;o? Việc chọn phương ph&aacute;p sẽ phụ thuộc v&agrave;o 3 yếu tố: mục đ&iacute;ch, lượng dữ liệu quan s&aacute;t được cung cấp v&agrave; m&ocirc; h&igrave;nh huấn luyện.
Nếu mục đ&iacute;ch của ch&uacute;ng ta l&agrave; kiểm chứng thuật to&aacute;n hoặc một phương ph&aacute;p huấn luyện, hay dạng của m&ocirc; h&igrave;nh cụ thể hoặc t&igrave;m c&aacute;ch ph&aacute;t hiện m&ocirc; h&igrave;nh overfitting th&igrave; cross validation l&agrave; phương ph&aacute;p n&ecirc;n được ưu ti&ecirc;n. Trong trường hợp n&agrave;y, nếu lượng dữ liệu &iacute;t th&igrave; ta n&ecirc;n sử dụng số lượng fold vừa phải (chẳng hạn 5), c&ograve;n nếu số lượng dữ liệu tương đối lớn ta c&oacute; thể sử dụng nhiều hơn (10-fold)&hellip;
Ngược lại, nếu mục đ&iacute;ch của ch&uacute;ng ta l&agrave; kiểm chứng m&ocirc; h&igrave;nh được huấn luyện (v&iacute; dụ bộ ph&acirc;n lớp đ&atilde; huấn luyện) th&igrave; hold-out l&agrave; phương ph&aacute;p n&ecirc;n được sử dụng. V&agrave; cũng tương tự như tr&ecirc;n, nếu tập dữ liệu được cung cấp qu&aacute; nhỏ, khi đ&oacute; nếu ch&uacute;ng ta chia tập testing set qu&aacute; lớn th&igrave; thuật to&aacute;n sẽ c&oacute; thể kh&ocirc;ng c&oacute; đủ dữ liệu để học. Ngược lại, nếu tập kiểm thử qu&aacute; nhỏ th&igrave; việc kiểm thử c&oacute; thể kh&ocirc;ng tin cậy, c&aacute;c chỉ số accuracy, precision, recall, v&agrave; F1 score c&oacute; thể c&oacute; độ bất ổn cao v&agrave; kh&ocirc;ng thể hiện đ&uacute;ng bản chất của mức độ hiệu quả của m&ocirc; h&igrave;nh. Dựa tr&ecirc;n mức độ &ldquo;may mắn&rdquo; khi chia dữ liệu m&agrave; c&aacute;c độ đo n&agrave;y c&oacute; thể nhảy l&ecirc;n cao hoặc rất thấp. Th&ocirc;ng thường ch&uacute;ng ta thường d&ugrave;ng 80% để huấn luyện v&agrave; 20% để kiểm thử hoặc một trường hợp kh&aacute;c l&agrave; 70% huấn luyện &ndash; 30 % kiểm thử.
Trong trường hợp, ch&uacute;ng ta muốn trong qu&aacute; tr&igrave;nh huấn luyện ph&aacute;t hiện được overfitting để early stopping hoặc lựa chọn c&aacute;c tham số ph&ugrave; hợp của m&ocirc; h&igrave;nh th&igrave; Train-Validation-Test Split được sử dụng. Khi đ&oacute; tỷ lệ chia cũng tương tự như Hold-out, đ&oacute; l&agrave; ch&uacute;ng ta c&oacute; thể sử dụng 20% dữ liệu cho testing set, c&ograve;n lại trong 80% dữ liệu c&ograve;n lại, ch&uacute;ng ta c&oacute; thể chia 80% cho training v&agrave; 20% cho validation. Đ&acirc;y l&agrave; trường hợp thường gặp nhất trong thực tế bởi tỷ lệ n&oacute; vừa đủ đối với dữ liệu lớn hoặc nhỏ.
Ngo&agrave;i ra, dạng của m&ocirc; h&igrave;nh huấn luyện cũng sẽ ảnh hưởng đến việc ch&uacute;ng ta chọn tỷ lệ chia. Một số m&ocirc; h&igrave;nh cần rất nhiều dữ liệu để huấn luyện (c&oacute; độ phức tạp cao chẳng hạn như mạng nơ ron s&acirc;u deep learning), v&igrave; vậy trong trường hợp n&agrave;y, ch&uacute;ng ta sẽ cần ưu ti&ecirc;n dữ liệu cho tập huấn luyện nhiều hơn. C&aacute;c m&ocirc; h&igrave;nh c&oacute; rất &iacute;t si&ecirc;u tham số (hyperparameter) sẽ dễ d&agrave;ng để kiểm chứng v&agrave; hiệu chỉnh (fine-tune), v&igrave; vậy ch&uacute;ng ta c&oacute; thể giảm k&iacute;ch thước của tập validation, nhưng ngược lại nếu m&ocirc; h&igrave;nh c&oacute; nhiều si&ecirc;u tham số (hyperparameter), th&igrave; y&ecirc;u cầu về validation set sẽ c&oacute; k&iacute;ch thước lớn hơn (mặc d&ugrave; cross validtion cũng l&agrave; một phương &aacute;n c&oacute; thể sử dụng). Ngo&agrave;i ra, nếu bạn t&igrave;nh cờ c&oacute; một m&ocirc; h&igrave;nh kh&ocirc;ng c&oacute; si&ecirc;u tham số hoặc những m&ocirc; h&igrave;nh kh&ocirc;ng thể dễ d&agrave;ng hiệu chỉnh được hay thậm ch&iacute; l&agrave; bạn kh&ocirc;ng muốn hiệu chỉnh, th&igrave; khi đ&oacute;, ch&uacute;ng ta c&oacute; thể kh&ocirc;ng cần validation set!
T&oacute;m lại th&igrave;, cũng giống như những vấn đề kh&aacute;c trong machine learning, tỷ lệ chia train-test-validation split cũng phụ thuộc v&agrave;o từng trường hợp cụ thể v&agrave; cũng kh&ocirc;ng c&oacute; quy tắc thống nhất. Tuy nhi&ecirc;n, c&aacute;c khuyến nghị về c&aacute;ch chia ở tr&ecirc;n cũng l&agrave; những khuyến nghị về c&aacute;ch thức phổ biến nhất trong từng trường hợp. Đ&acirc;y c&oacute; thể l&agrave; một t&agrave;i liệu để bạn c&oacute; thể tham khảo khi muốn sử dụng trong thực tế b&agrave;i to&aacute;n của m&igrave;nh.
<h2 id="ftoc-heading-7" class="ftwp-heading" style="text-align: justify;">C&acirc;n bằng mẫu quan s&aacute;t trong tập dữ liệu kh&ocirc;ng c&acirc;n bằng&nbsp;(Sample Stratification)</h2>
Ở tr&ecirc;n, ch&uacute;ng ta đ&atilde; n&oacute;i về tỷ lệ chia, nhưng c&aacute;ch chia như thế n&agrave;o th&igrave; ch&uacute;ng ta chưa đề cập đến. Th&ocirc;ng thường c&aacute;ch chia đơn giản v&agrave; thường được sử dụng nhất đ&oacute; l&agrave; ch&uacute;ng ta cứ chia ho&agrave;n to&agrave;n ngẫu nhi&ecirc;n theo ph&acirc;n phối đều. Tức l&agrave; bốc ngẫu nhi&ecirc;n 20% số mẫu với x&aacute;c suất bằng nhau. Tuy nhi&ecirc;n, vấn đề kh&ocirc;ng đơn giản như vậy, trong nhiều tập dữ liệu quan s&aacute;t được cung cấp do số lượng nh&atilde;n của dữ liệu kh&ocirc;ng c&acirc;n bằng (unbalanced dataset) chẳng hạn, trong tập dữ liệu về thư r&aacute;c c&oacute; 1000 mẫu, trong đ&oacute; c&oacute; 800 mẫu l&agrave; thư thường v&agrave; 200 mẫu l&agrave; thư r&aacute;c. Khi đ&oacute; tập dữ liệu n&agrave;y được gọi l&agrave; Unblanced hay kh&ocirc;ng c&acirc;n bằng. Khi đ&oacute;, nếu ch&uacute;ng ta chọn ngẫu nhi&ecirc;n theo ph&acirc;n phối đều th&igrave; nhiều khả năng c&aacute;c mẫu được chọn trong tập testing lại l&agrave; to&agrave;n spam, hoặc l&agrave; to&agrave;n kh&ocirc;ng phải spam. Điều n&agrave;y sẽ l&agrave;m việc đ&aacute;nh gi&aacute; bị sai lệch v&agrave; kh&ocirc;ng tin cậy.
Để giải quyết việc n&agrave;y, c&oacute; một phương ph&aacute;p thường được sử dụng đ&oacute; l&agrave; Sample Stratification (c&acirc;n bằng mẫu quan s&aacute;t). Phương ph&aacute;p n&agrave;y dựa tr&ecirc;n &yacute; tường rằng, ch&uacute;ng ta sẽ chọn tập testing set sao cho tỷ lệ của n&oacute; vừa đ&uacute;ng với tỷ lệ ch&iacute;nh x&aacute;c ở trong tập dữ liệu quan s&aacute;t được cung cấp gốc ban đầu. Điều n&agrave;y đảm bảo cho tập testing c&oacute; c&ugrave;ng ph&acirc;n phối với dữ liệu quan s&aacute;t thu được v&agrave; kết quả thu được sẽ tin cậy hơn. Chẳng hạn, như v&iacute; dụ tr&ecirc;n, ch&uacute;ng ta chọn 200 mẫu (20\%) v&agrave;o tập testing set, trong đ&oacute; thay v&igrave; chọn bừa th&igrave; ta chọn đủ $\left(200 \times \frac{800}{1000}=160\right.$ mẫu thu thường v&agrave; $200 \times \frac{200}{1000}=40$ mẫu thư r&aacute;c. Hay như v&iacute; dụ ở h&igrave;nh dưới, ch&uacute;ng ta chọn 10 mẫu theo đ&uacute;ng tỷ lệ 4-3-3.
<img style="width: 600px; display: block; margin-left: auto; margin-right: auto;" src="https://tek4.vn/public_files/b46889ed-0d3e-4a12-aa14-6f47aa6958f6" alt="Sample-Stratification" />
T&oacute;m lại trong b&agrave;i n&agrave;y ch&uacute;ng ta đ&atilde; học được những vấn đề sau:
<ul style="text-align: justify;">
<li>Để đ&aacute;nh gi&aacute; m&ocirc; h&igrave;nh ch&uacute;ng ta cần x&acirc;y dựng một tập kiểm thử (testing set) để ri&ecirc;ng biệt v&agrave; kh&ocirc;ng c&oacute; bất cứ li&ecirc;n hệ g&igrave; với tập dữ liệu huấn luyện. Tập n&agrave;y d&ugrave;ng để đ&aacute;nh gi&aacute; hiệu quả của m&ocirc; h&igrave;nh được x&acirc;y dựng.</li>
<li>Trong tập dữ liệu huấn luyện (training set) ch&uacute;ng ta c&oacute; thể chia nhỏ hơn, một tập để t&igrave;m c&aacute;c m&ocirc; h&igrave;nh ứng vi&ecirc;n (huấn luyện) v&agrave; một tập (validation set) để đ&aacute;nh gi&aacute;, lựa chọn ứng vi&ecirc;n v&agrave; early stopping nếu cần khi gặp trường hợp overfitting.</li>
<li>C&aacute;ch chia tập c&oacute; 3 dạng ch&iacute;nh: hold-out (bỏ ra một tỷ lệ nhất định cho tập testing), Train-Validation-Test Split (chia th&ecirc;m 1 tập validation test trong tập training set, v&agrave; cross validation (lặp đi lặp lại việc t&aacute;ch theo tỷ lệ nhiều lần v&agrave; t&iacute;nh trung b&igrave;nh kết quả của c&aacute;c lần.</li>
<li>Tỷ lệ chia c&aacute;c tập phụ thuộc v&agrave;o mục ti&ecirc;u, số lượng dữ liệu v&agrave; dạng m&ocirc; h&igrave;nh sử dụng, th&ocirc;ng thường với hold-out l&agrave; 80% train &ndash; 20% test, với cross validation thường l&agrave; 5-fold hoặc 10-fold, với Train-Validation-Test Split (thường l&agrave; 64% train -16% validation -20% test).</li>
<li>Với dữ liệu kh&ocirc;ng c&acirc;n bằng ch&uacute;ng ta cần lấy mẫu sao cho đảm bảo tỷ lệ trong dữ liệu quan s&aacute;t gốc th&ocirc;ng qua Sample Stratification.</li>
</ul>
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>

Chia Training Set và Testing Set với Python