Lesson 01 — Pipeline ML end-to-end

4 component tương tác: pipeline animator · train/val/test split · bias-variance demo · confusion matrix.

1. Pipeline 6 bước — click từng step

Mỗi ML project đều đi qua 6 bước này. Click vào ô để xem chi tiết và ví dụ Iris. Hover/click pause animation. Bấm "▶ Auto" để xem tuần tự.

STEP 1

📊

Data

STEP 2

🔧

Feature

STEP 3

🧠

Model

STEP 4

📏

Loss

STEP 5

🔁

Train

STEP 6

✅

Evaluate

Click một step để xem chi tiết

Pipeline: data → feature → model → loss → train → evaluate. Mọi ML project (linear regression, neural net, CLIP...) đều theo khung này.

stopped

2. Train / Val / Test split

Kéo 2 slider để thay đổi tỉ lệ. Hiển thị số mẫu mỗi tập + cảnh báo khi val/test quá nhỏ. Iris có 150 mẫu — quá ít → cảnh báo dùng k-fold CV thay vì split đơn lẻ.

Tổng số mẫu N:

% Train: 60% % Val: 20% % Test = 20%

60%

20%

Train (học)

Val (chọn model)

Test (đo cuối)

3. Bias-variance: polynomial fit

Hàm thật y = sin(x) với nhiễu. Chọn bậc đa thức (1 → 15) để fit. Bậc thấp → underfit (bias cao). Bậc cao → overfit (variance cao). Bấm "🎲 Resample data" để thấy variance: bậc 15 nhảy mạnh, bậc 3 ổn định.

Bậc đa thức: 3 Noise σ: 0.20 N points: 30

Train MSE

—

Test MSE

—

Bias² (ước lượng)

—

Variance (ước lượng)

—

Tổng error

—

Số params

—

4. Confusion matrix + metrics

Kéo slider TP/FP/FN/TN. Tự tính accuracy, precision, recall, F1. Thử bài toán imbalance (TN=950, FN=40, TP=10, FP=0) — accuracy 96% nhưng recall thảm họa.

TP (đoán 1, thật 1): 40

FP (đoán 1, thật 0): 20

FN (đoán 0, thật 1): 10

TN (đoán 0, thật 0): 930

Pred = 1

Pred = 0

Actual = 1

Actual = 0

930

Accuracy

—

(TP+TN)/total

Precision

—

TP/(TP+FP)

Recall

—

TP/(TP+FN)

—

2·P·R/(P+R)

Specificity

—

TN/(TN+FP)