[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_c%C3%A2y%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh{\"limit\":5}":3,"_public_topic_byId_c%C3%A2y%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":52,"createUser":62,"publishUser":10,"keywords":66,"keywordCount":10,"enrichTopicLink":67,"status":68,"createTime":69,"updateTime":70,"publishTime":10,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":71,"wikidataId":10,"relateTopics":72},"cây quyết định","Cây quyết định là gì? Các công bố khoa học về Cây quyết định","Cây quyết định là công cụ mạnh mẽ trong hỗ trợ ra quyết định, phân loại và dự đoán trong nhiều lĩnh vực như y tế, tài chính và tiếp thị. Cấu trúc cây bao gồm nút gốc, nút nội bộ, nút lá và các nhánh thể hiện quyết định. Dễ hiểu, không cần chuẩn hóa dữ liệu và thích hợp cho số liệu và nhãn categorical là các lợi ích nổi bật. Tuy nhiên, cây quyết định dễ bị quá khớp dữ liệu, tăng độ phức tạp nếu có nhiều cấp, và nhạy cảm với dữ liệu nhiễu. Việc áp dụng cần sự chú ý để khắc phục các hạn chế này.","\u003Cp>Cây quyết định (tiếng Anh: decision tree) là một mô hình học máy có giám sát biểu diễn cấu trúc phân cấp phi tham số dưới dạng cây có hướng, được sử dụng phổ biến cho cả hai bài toán phân loại và hồi quy. Cấu trúc mô hình bao gồm một nút gốc chứa toàn bộ tập dữ liệu ban đầu, các nút nội bộ đại diện cho các điều kiện kiểm tra trên từng thuộc tính, các nhánh biểu thị kết quả của phép kiểm tra và các nút lá đại diện cho nhãn lớp dự đoán hoặc giá trị đích liên tục. Mục từ này trình bày bản chất toán học, các thuật toán xây dựng cây kinh điển, tiêu chuẩn phân chia nút, kỹ thuật cắt tỉa hạn chế quá khớp và các mô hình mở rộng trong khoa học dữ liệu.\u003C\u002Fp>\n\u003Ch2>Cấu trúc và nguyên lý hoạt động\u003C\u002Fh2>\n\u003Cp>Theo khảo sát phương pháp luận của Safavian và Landgrebe (1991), nguyên lý cốt lõi của cây quyết định là chiến lược chia để trị. Thuật toán liên tục phân chia không gian đặc trưng nhiều chiều thành các siêu hình hộp chữ nhật không chồng lấn, trong đó mỗi vùng cục bộ được gán một mô hình dự đoán đơn giản nhất.\u003C\u002Fp>\n\u003Ch3>Các thành phần hình học và cấu trúc nút\u003C\u002Fh3>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Nút gốc (Root node):\u003C\u002Fstrong> Nút khởi đầu của cây, tiếp nhận toàn bộ tập dữ liệu huấn luyện và thực hiện phép phân chia đầu tiên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nút nội bộ (Internal node):\u003C\u002Fstrong> Nút thực hiện phép kiểm tra điều kiện trên một biến đầu vào xác định nhằm dẫn hướng mẫu dữ liệu sang các nhánh con.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nhánh (Branch):\u003C\u002Fstrong> Đường nối biểu diễn kết quả phép thử logic hoặc khoảng giá trị của biến thuộc tính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nút lá (Leaf node):\u003C\u002Fstrong> Nút kết thúc không còn phân nhánh, lưu trữ quyết định phân loại cuối cùng hoặc giá trị trung bình cục bộ của hàm hồi quy.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Các tiêu chuẩn phân tách nút\u003C\u002Fh2>\n\u003Cp>Tại mỗi nút nội bộ, thuật toán cần chọn thuộc tính và điểm phân chia tối ưu nhằm cực đại hóa độ thuần khiết của các tập con được tạo ra.\u003C\u002Fp>\n\u003Ch3>1. Độ hỗn loạn Entropy và Độ lợi thông tin\u003C\u002Fh3>\n\u003Cp>Được Quinlan (1986) ứng dụng trong thuật toán ID3, độ hỗn loạn thông tin Shannon của tập dữ liệu \u003Cscript type=\"math\u002Ftex\">S\u003C\u002Fscript> gồm \u003Cscript type=\"math\u002Ftex\">C\u003C\u002Fscript> lớp được định nghĩa theo công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">H(S) = - \\sum_{i=1}^{C} p_i \\log_2(p_i)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">p_i\u003C\u002Fscript> là tỷ lệ mẫu thuộc về lớp thứ \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> trong tập dữ liệu \u003Cscript type=\"math\u002Ftex\">S\u003C\u002Fscript>. Khi tập dữ liệu hoàn toàn thuần khiết, giá trị entropy bằng không. Khi các lớp phân bố đồng đều, entropy đạt giá trị cực đại.\u003C\u002Fp>\n\u003Cp>Độ lợi thông tin của một thuộc tính \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> biểu thị mức độ giảm entropy sau khi phân chia tập \u003Cscript type=\"math\u002Ftex\">S\u003C\u002Fscript> thành các tập con \u003Cscript type=\"math\u002Ftex\">S_v\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">IG(S, A) = H(S) - \\sum_{v \\in \text{Values}(A)} \frac{|S_v|}{|S|} H(S_v)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Ch3>2. Tỷ lệ độ lợi thông tin\u003C\u002Fh3>\n\u003Cp>Nhằm khắc phục nhược điểm của độ lợi thông tin khi ưu tiên các thuộc tính có quá nhiều giá trị riêng biệt, thuật toán C4.5 chuẩn hóa độ lợi thông tin bằng thông tin phân tách:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\text{SplitInfo}_A(S) = - \\sum_{v \\in \text{Values}(A)} \frac{|S_v|}{|S|} \\log_2\\left(\frac{|S_v|}{|S|}\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\text{GainRatio}(S, A) = \frac{IG(S, A)}{\text{SplitInfo}_A(S)}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Ch3>3. Chỉ số tạp chất Gini\u003C\u002Fh3>\n\u003Cp>Theo phân tích của Loh (2011), thuật toán CART sử dụng chỉ số Gini để đo lường xác suất một mẫu ngẫu nhiên bị phân loại sai nếu gán nhãn theo phân phối xác suất của tập con:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">Gini(S) = 1 - \\sum_{i=1}^{C} p_i^2\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Chỉ số Gini có ưu điểm tính toán nhanh hơn entropy do không yêu cầu thực hiện phép tính hàm logarit.\u003C\u002Fp>\n\u003Ch2>So sánh các thuật toán cây quyết định kinh điển\u003C\u002Fh2>\n\u003Cp>Bảng dưới đây tóm tắt các đặc tính kỹ thuật cơ bản của các dòng thuật toán cây quyết định phổ biến:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Dạng phân nhánh\u003C\u002Fth>\u003Cth>Tiêu chuẩn phân tách\u003C\u002Fth>\u003Cth>Xử lý thuộc tính liên tục\u003C\u002Fth>\u003Cth>Xử lý dữ liệu khuyết thiếu\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>ID3\u003C\u002Ftd>\u003Ctd>Đa nhánh\u003C\u002Ftd>\u003Ctd>Độ lợi thông tin\u003C\u002Ftd>\u003Ctd>Không hỗ trợ trực tiếp\u003C\u002Ftd>\u003Ctd>Không hỗ trợ\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>C4.5\u003C\u002Ftd>\u003Ctd>Đa nhánh hoặc nhị phân\u003C\u002Ftd>\u003Ctd>Tỷ lệ độ lợi\u003C\u002Ftd>\u003Ctd>Có phân ngưỡng động\u003C\u002Ftd>\u003Ctd>Có phân bổ trọng số\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>CART\u003C\u002Ftd>\u003Ctd>Nhị phân nghiêm ngặt\u003C\u002Ftd>\u003Ctd>Chỉ số Gini hoặc phương sai\u003C\u002Ftd>\u003Ctd>Có tìm điểm cắt tối ưu\u003C\u002Ftd>\u003Ctd>Có dùng biến đại diện\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>CHAID\u003C\u002Ftd>\u003Ctd>Đa nhánh\u003C\u002Ftd>\u003Ctd>Kiểm định Chi bình phương\u003C\u002Ftd>\u003Ctd>Rời rạc hóa thành thứ bậc\u003C\u002Ftd>\u003Ctd>Xử lý như phân lớp riêng\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Ch2>Hiện tượng quá khớp và kỹ thuật cắt tỉa\u003C\u002Fh2>\n\u003Cp>Cây quyết định có xu hướng phát triển sâu cho đến khi phân loại hoàn hảo toàn bộ tập huấn luyện, dẫn đến hiện tượng quá khớp và làm giảm khả năng tổng quát hóa trên dữ liệu thực tế.\u003C\u002Fp>\n\u003Ch3>Cắt tỉa sớm\u003C\u002Fh3>\n\u003Cp>Thuật toán dừng quá trình phân nhánh trước khi cây đạt độ sâu tối đa dựa trên các điều kiện dừng định trước:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giới hạn độ sâu tối đa của cây mô hình.\u003C\u002Fli>\n  \u003Cli>Quy định số lượng mẫu tối thiểu tại nút nội bộ để tiếp tục phân chia.\u003C\u002Fli>\n  \u003Cli>Quy định số lượng mẫu tối thiểu tại nút lá.\u003C\u002Fli>\n  \u003Cli>Ngưỡng suy giảm tối thiểu của độ tạp chất phân tách.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3>Cắt tỉa muộn\u003C\u002Fh3>\n\u003Cp>Cây được phát triển đầy đủ trước, sau đó tiến hành loại bỏ các nhánh con không mang lại ý nghĩa thống kê trên tập kiểm định độc lập. Phương pháp phổ biến nhất là cắt tỉa theo độ phức tạp chi phí:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">R_\u0007lpha(T) = R(T) + \u0007lpha |T|\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">R(T)\u003C\u002Fscript> là tổng sai số huấn luyện của cây \u003Cscript type=\"math\u002Ftex\">T\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">|T|\u003C\u002Fscript> là số nút lá và \u003Cscript type=\"math\u002Ftex\">\u0007lpha\u003C\u002Fscript> là hệ số phạt độ phức tạp.\u003C\u002Fp>\n\u003Ch2>Mở rộng mô hình: Phương pháp học tập hợp\u003C\u002Fh2>\n\u003Cp>Nhằm khắc phục nhược điểm phương sai cao và độ nhạy cảm với biến động nhỏ của tập dữ liệu, các phương pháp học tập hợp đã được phát triển mạnh mẽ:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Đóng bao và Rừng ngẫu nhiên:\u003C\u002Fstrong> Nghiên cứu của Breiman (2001) đã chứng minh việc xây dựng các tập hợp cây quyết định độc lập trên các tập mẫu lấy lại có hoàn lại kết hợp chọn ngẫu nhiên tập con đặc trưng giúp giảm phương sai đáng kể mà không làm tăng độ chệch.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tăng cường độ dốc:\u003C\u002Fstrong> Các thuật toán hiện đại xây dựng tuần tự các cây quyết định nông, trong đó mỗi cây mới tập trung học và tối ưu hóa phần dư sai số của các cây đứng trước.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Ưu điểm và giới hạn áp dụng\u003C\u002Fh2>\n\u003Cp>Cây quyết định giữ vị trí quan trọng trong học máy thực hành nhờ những đặc tính độc đáo nhưng cũng đi kèm các giới hạn cần lưu ý:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Khía cạnh\u003C\u002Fth>\u003Cth>Ưu điểm nổi bật\u003C\u002Fth>\u003Cth>Hạn chế chính\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>Khả năng diễn giải\u003C\u002Ftd>\u003Ctd>Rất cao nhờ cấu trúc trực quan dạng luật logic\u003C\u002Ftd>\u003Ctd>Dễ mất tính diễn giải trực quan khi kết hợp thành mô hình tập hợp lớn\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Chuẩn bị dữ liệu\u003C\u002Ftd>\u003Ctd>Không yêu cầu chuẩn hóa thang đo biến số\u003C\u002Ftd>\u003Ctd>Nhạy cảm với mất cân bằng lớp và dữ liệu có nhiễu cao\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Mối quan hệ phi tuyến\u003C\u002Ftd>\u003Ctd>Tự động nắm bắt các tương tác phi tuyến phức tạp\u003C\u002Ftd>\u003Ctd>Ranh giới quyết định phân đoạn vuông góc với các trục tọa độ\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Tính ổn định thống kê\u003C\u002Ftd>\u003Ctd>Tính toán dự đoán nhanh chóng trên dữ liệu lớn\u003C\u002Ftd>\u003Ctd>Độ bất ổn định cao do thay đổi nhỏ ở dữ liệu có thể đổi cấu trúc cây\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>","decision tree",[19,20,21],"cây phân loại","cây hồi quy","mô hình cây quyết định","Cây quyết định là mô hình học máy có giám sát biểu diễn cấu trúc phân cấp phi tham số dưới dạng đồ thị cây có hướng, được sử dụng để phân chia không gian đặc trưng thành các vùng cục bộ nhằm thực hiện nhiệm vụ phân loại hoặc hồi quy.","ENGINEERING_TECHNOLOGY",[25,32,39,45],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81-106.","Induction of decision trees","Quinlan","Machine Learning",1986,"10.1007\u002Fbf00116251",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Safavian, S. R., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE Transactions on Systems, Man, and Cybernetics, 21(3), 660-674.","A survey of decision tree classifier methodology","Safavian, Landgrebe","IEEE Transactions on Systems, Man, and Cybernetics",1991,"10.1109\u002F21.97458",{"citationText":40,"title":41,"authors":42,"source":29,"year":43,"doi":44,"url":10},"Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.","Random Forests","Breiman",2001,"10.1023\u002Fa:1010933404324",{"citationText":46,"title":47,"authors":48,"source":49,"year":50,"doi":51,"url":10},"Loh, W. Y. (2011). Classification and regression trees. WIREs Data Mining and Knowledge Discovery, 1(1), 14-23.","Classification and regression trees","Loh","WIREs Data Mining and Knowledge Discovery",2011,"10.1002\u002Fwidm.8",[53,56,59],{"question":54,"answer":55},"Sự khác biệt giữa độ lợi thông tin và chỉ số Gini trong phân tách nút là gì?","Độ lợi thông tin dựa trên hàm entropy Shannon đo lường lượng thông tin thu được sau khi phân tách, trong khi chỉ số Gini đo lường xác suất phân loại sai ngẫu nhiên. Về mặt thực hành, Gini tính toán nhanh hơn do không dùng hàm logarit và thường cho cấu trúc cây tương tự.",{"question":57,"answer":58},"Tại sao cây quyết định đơn lẻ dễ bị quá khớp (overfitting)?","Cây quyết định có tính phi tham số và linh hoạt cao, nếu không bị giới hạn nó sẽ liên tục phân nhánh cho đến khi phân tách hoàn hảo từng điểm dữ liệu huấn luyện, dẫn đến việc học cả các thành phần nhiễu thay vì quy luật tổng quát.",{"question":60,"answer":61},"Kỹ thuật cắt tỉa chi phí phức tạp (Cost-Complexity Pruning) hoạt động như thế nào?","Cắt tỉa chi phí phức tạp phát triển cây hoàn chỉnh trước, sau đó tối ưu hóa hàm mục tiêu kết hợp giữa tổng sai số huấn luyện và số lượng nút lá nhân với hệ số phạt alpha, giúp loại bỏ các nhánh con kém hiệu quả trên tập kiểm định độc lập.",{"id":63,"researcherId":10,"name":64,"imageUrl":65},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2024-03-20T02:18:13.447+00:00","2026-08-27T08:16:03.312+00:00",319,[73,76,79,89,92,102,112,117,123,129],{"id":74,"title":75,"term":74,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":77,"title":78,"term":77,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"đánh giá kinh tế y tế","Đánh giá kinh tế y tế là gì? Nghiên cứu khoa học liên quan",{"id":80,"title":81,"term":82,"englishTitle":83,"definition":84,"discipline":23,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"phân tích dữ liệu","Phân tích dữ liệu là gì? Các công bố khoa học về Phân tích dữ liệu","Phân tích dữ liệu","data analysis","Phân tích dữ liệu (data analysis) là quy trình khoa học bao gồm thu thập, làm sạch, biến đổi, mô hình hóa và diễn giải dữ liệu nhằm khám phá các thông tin hữu ích, đề xuất kết luận và hỗ trợ việc ra quyết định tối ưu.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình dự đoán","Mô hình dự đoán là gì? Các công bố khoa học về Mô hình dự đoán",{"id":93,"title":94,"term":93,"englishTitle":95,"definition":96,"discipline":97,"disciplineCode":98,"disciplineLabel":99,"disciplineColor":100,"disciplineIcon":101},"phân loại nhị phân","Phân loại nhị phân là gì? Ma trận nhầm lẫn, đường cong ROC và các thuật toán","Binary Classification","Phân loại nhị phân (binary classification) là một dạng bài toán kinh điển và cơ bản nhất trong học máy có giám sát (supervised machine learning) và thống kê học ứng dụng, trong đó nhiệm vụ của mô hình thuật toán là học một ánh xạ dự đoán f: \\mathbb{R}^d \\to \\{0, 1\\} từ một vector không gian đặc trưng đầu vào x vào một trong hai nhóm nhãn rời rạc loại trừ lẫn nhau (thường được quy ước là lớp âm tính 0 và lớp dương tính 1).","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":103,"title":104,"term":103,"englishTitle":105,"definition":106,"discipline":107,"disciplineCode":108,"disciplineLabel":109,"disciplineColor":110,"disciplineIcon":111},"phân tích quyết định","Phân tích quyết định: Khung lý thuyết và mô hình toán","Decision Analysis","Phân tích quyết định là ngành khoa học ứng dụng liên ngành cung cấp các nguyên tắc logic, công cụ toán học và mô hình định lượng nhằm hỗ trợ cá nhân và tổ chức đưa ra các lựa chọn tối ưu trong điều kiện bất định và phức tạp.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":113,"title":114,"term":115,"englishTitle":74,"definition":116,"discipline":23,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"rừng ngẫu nhiên","Rừng ngẫu nhiên là gì? Ý nghĩa và ứng dụng chuyên sâu","Rừng ngẫu nhiên","Rừng ngẫu nhiên (Random Forest) là thuật toán học máy học tập kết hợp (ensemble learning) hoạt động bằng cách xây dựng một tập hợp nhiều cây quyết định độc lập trong quá trình huấn luyện và tổng hợp kết quả dự đoán thông qua cơ chế bỏ phiếu theo đa số hoặc tính giá trị trung bình.",{"id":118,"title":119,"term":120,"englishTitle":121,"definition":122,"discipline":23,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"lightgbm","LightGBM: Khái niệm, thuật toán và ứng dụng","LightGBM","Light Gradient Boosting Machine","LightGBM là một khung thuật toán học máy mã nguồn mở dựa trên mô hình cây quyết định tăng cường độ dốc, được thiết kế tối ưu hóa tốc độ huấn luyện và bộ nhớ thông qua các kỹ thuật lấy mẫu một phía theo gradient và bó đặc trưng loại trừ lẫn nhau.",{"id":124,"title":125,"term":126,"englishTitle":127,"definition":128,"discipline":23,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.",{"id":130,"title":131,"term":130,"englishTitle":132,"definition":133,"discipline":23,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường."]