Tóm tắt Reading 25: Machine-Learning Methods — FRM1

Học máy xử lý dữ liệu rất lớn, linh hoạt về dạng hàm, bắt được tương tác phi tuyến. Dữ liệu quyết định mô hình, không kiểm định giả thuyết của nhà phân tích; trọng tâm là độ chính xác dự báo.
Thuật ngữ: biến độc lập → inputs/features; biến phụ thuộc → outputs/targets (labels).
Supervised: dự báo giá trị hoặc phân loại từ labeled data. Unsupervised: tìm cấu trúc, không có target, không dùng để dự báo. Reinforcement: thử và sai để tối đa phần thưởng.

Standardization: x̃ = (x − μ̂) ÷ σ̂, trung bình 0, phương sai 1, ưu tiên khi có outlier.
Normalization (min-max): x̃ = (x − x_min) ÷ (x_max − x_min), nằm trong [0, 1].
Làm sạch dữ liệu: missing data, outlier, trùng lặp, ghi nhận không nhất quán, quan sát không liên quan.

PCA: một số ít thành phần không tương quan thay cho nhiều biến tương quan; đường cong lãi suất: parallel shift, twist; ba thành phần đầu giải thích khoảng 99% biến động.
K-means: K do nhà phân tích chọn; gán điểm vào centroid gần nhất rồi tính lại centroid tới khi ổn định. Khoảng cách: d_E = √Σ(x_iQ − x_iP)²; d_M = Σ|x_iQ − x_iP|.
Inertia = Σd_j², luôn giảm khi K tăng; chọn K tại elbow của scree plot hoặc silhouette cao nhất.

Overfitting: quá phức tạp, bias thấp, variance cao, rủi ro lớn hơn ở học máy. Underfitting: quá đơn giản, bias cao, variance thấp, rủi ro lớn hơn ở kinh tế lượng cổ điển.
Training: ước lượng tham số. Validation: chọn giữa các mô hình. Test: đánh giá mô hình đã chọn (generalization). Chia điển hình 2/3 – 1/6 – 1/6; time series giữ thứ tự thời gian.
k-fold cross-validation cho mẫu nhỏ (k = 5 hoặc 10); k = n là leave-one-out.

Q(S, A): giá trị kỳ vọng của hành động A ở trạng thái S; V(S) = max_A Q(S, A). Exploitation với xác suất p (tăng dần), exploration với 1 − p.
Monte Carlo: Q^new = Q^old + α(R − Q^old). Temporal difference: Q^new = Q^old + α(R + V(S_next) − Q^old).
NLP: tokenization, bỏ stopwords, stemming, lemmatization, N-grams; bag of words; đếm từ tâm lý để phân loại tích cực, tiêu cực, trung tính.