Luyện nói tiếng Anh bằng Shadowing qua video: Ridge vs Lasso Regression, Visualized!!!
Chọn chế độ luyện tập
Mỗi chế độ mở một phòng luyện tập toàn màn hình.
86 câu
Nếu các câu quá ngắn hoặc quá dài, hãy bấm Edit để chỉnh sửa.
1
Ridge, regression versus lasso regression, which one will survive?
Hồi quy Ridge và hồi quy Lasso, phương pháp nào sẽ tồn tại lâu hơn?
2
StatQuest.
StatQuest.
3
Hello, I'm Josh Starmer and welcome to StatQuest.
Xin chào, tôi là Josh Starmer và chào mừng bạn đến với StatQuest.
4
Today we're going to talk about ridge versus lasso regression and the differences are going to be visualized.
Hôm nay chúng ta sẽ thảo luận về hồi quy Ridge và hồi quy Lasso, đồng thời trực quan hóa những khác biệt giữa hai phương pháp này.
5
Note, this StatQuest assumes that you are already familiar with ridge and lasso regression.
Lưu ý: bài viết StatQuest này giả định rằng bạn đã quen thuộc với hồi quy ridge và hồi quy lasso.
6
If not, check out the quests.
Nếu không, hãy kiểm tra các nhiệm vụ.
7
To show you the difference between ridge and lasso regression, we're going to use a very simple data set that consists of weight and height measurements.
Để minh họa sự khác biệt giữa hồi quy Ridge và hồi quy Lasso, chúng ta sẽ sử dụng một tập dữ liệu rất đơn giản bao gồm các số đo về cân nặng và chiều cao.
8
And we'll start by fitting this horizontal line to the data.
Và chúng ta sẽ bắt đầu bằng cách khớp đường thẳng ngang này với tập dữ liệu.
9
This horizontal line represents a terrible fit.
Đường kẻ ngang này thể hiện một sự khớp khủng khiếp.
10
And we can measure how bad that fit is by calculating residuals, the difference between the observed and predicted values.
Và chúng ta có thể đo lường mức độ không phù hợp của mô hình đó bằng cách tính toán phần dư, tức là sự khác biệt giữa các giá trị quan sát được và các giá trị dự đoán.
11
In order to compare the horizontal line to other lines fit to the data, we will plot the sum of the squared residuals on a graph.
Để so sánh đường thẳng ngang với các đường thẳng khác được khớp với dữ liệu, chúng ta sẽ vẽ tổng bình phương của các phần dư lên biểu đồ.
12
The y-axis on this graph is the sum of the squared residuals,
Trục tung trên biểu đồ này là tổng các phần dư bình phương.
13
and the x-axis represents different slope values for the fitted line.
và trục x biểu diễn các giá trị độ dốc khác nhau của đường thẳng khớp.
14
In this case, the slope for the horizontal line is 0.
Trong trường hợp này, hệ số góc của đường thẳng nằm ngang bằng 0.
15
Now let's increase the slope to 0.2, and calculate a new value for the sum of the squared residuals.
Bây giờ hãy tăng độ dốc lên 0,2 và tính giá trị mới cho tổng các phần dư bình phương.
16
Now let's increase the slope to 0.4, and calculate a new value for the sum of the squared residuals.
Bây giờ hãy tăng độ dốc lên 0,4 và tính giá trị mới cho tổng các phần dư bình phương.
17
We can keep plugging in new values for the slope and plotting the sum of the squared residuals,
Chúng ta có thể tiếp tục thay các giá trị mới cho hệ số góc và vẽ biểu đồ tổng bình phương của các phần dư.
18
Or we can just plot the curve for this equation.
Hoặc chúng ta chỉ cần vẽ đồ thị đường cong của phương trình này.
19
We can see that the best fitting line is at the bottom of the parabola.
Chúng ta có thể thấy rằng đường thẳng phù hợp nhất nằm ở phần đáy của parabol.
20
In other words, when the slope equals 0.45, we get the lowest sum of the squared residuals.
Nói cách khác, khi độ dốc bằng 0,45, ta thu được tổng bình phương phần dư nhỏ nhất.
21
In this example, we simply calculated the sum of the squared residuals for different slopes.
Trong ví dụ này, chúng ta chỉ đơn giản tính tổng các phần dư bình phương cho các độ dốc khác nhau.
22
Now let's add the ridge regression penalty, aka the L2 norm.
Bây giờ hãy thêm phần phạt của hồi quy Ridge, còn gọi là chuẩn L2.
23
if you asked me, it should be called the squared penalty, since that's what it is, and, for me, way easier to remember.
nếu bạn hỏi tôi, nó nên được gọi là phạt bình phương, vì đó chính là bản chất của nó, và đối với tôi, cách này dễ nhớ hơn nhiều.
24
The thick blue line that we just drew represents lambda equals zero.
Đường kẻ xanh dày mà chúng ta vừa vẽ biểu diễn cho trường hợp lambda bằng không.
25
This is because when lambda equals zero, the penalty is equal to zero,
Điều này là do khi lambda bằng không, thì phần phạt cũng bằng không,
26
regardless of the slope, and we are left with the original sum of squared residuals.
bất kể độ dốc là bao nhiêu, và chúng ta sẽ thu được tổng bình phương phần dư ban đầu.
27
Now let's see what happens when we set lambda equal to 10.
Bây giờ hãy xem điều gì xảy ra khi ta đặt lambda bằng 10.
28
And just like before, we'll start with a horizontal line, only this time, the line is orange.
Và cũng giống như trước, chúng ta sẽ bắt đầu với một đường kẻ ngang, chỉ là lần này đường kẻ có màu cam.
29
Just like before, we can calculate the residuals.
Giống như trước đây, chúng ta có thể tính toán các phần dư.
30
And we can calculate the sum of the squared residuals plus lambda times the slope squared.
Và chúng ta có thể tính tổng của các phần dư bình phương cộng với lambda nhân với độ dốc bình phương.
31
In this case, lambda equals 10.
Trong trường hợp này, lambda bằng 10.
32
And the slope of the horizontal line is 0.
Và độ dốc của đường thẳng nằm ngang bằng 0.
33
So the penalty is 0.
Vậy mức phạt là 0.
34
So we plot the sum of the squared residuals here.
Vì vậy, chúng ta vẽ biểu đồ tổng của các phần dư bình phương tại đây.
35
Now let's increase the slope to 0.2.
Bây giờ hãy tăng độ dốc lên 0,2.
36
Note, the residuals are smaller than before, so the sum of squared residuals is smaller than before.
Lưu ý rằng các phần dư nhỏ hơn trước, do đó tổng bình phương các phần dư cũng nhỏ hơn trước.
37
But now the penalty is 0.4.
Nhưng bây giờ mức phạt là 0,4.
38
And that gives us this point on the graph.
Và điều đó cho ta điểm này trên đồ thị.
39
Now let's increase the slope to 0.4.
Bây giờ hãy tăng độ dốc lên 0,4.
40
And the residuals are even smaller.
Và các phần dư thậm chí còn nhỏ hơn nữa.
41
But now the penalty is 1.6.
Nhưng bây giờ mức phạt là 1,6.
42
And that gives us this point on the graph.
Và điều đó cho ta điểm này trên đồ thị.
43
And like we did before, we can keep plugging in new values for the slope and plotting the sum of the squared residuals plus the penalty,
Và giống như chúng ta đã làm trước đây, chúng ta có thể tiếp tục thay các giá trị mới cho hệ số góc và vẽ đồ thị của tổng bình phương phần dư cộng với phần phạt.
44
or we can just plot the curve with a thick orange line that represents lambda equals 10.
hoặc chúng ta chỉ cần vẽ đường cong bằng một đường màu cam đậm biểu diễn cho trường hợp lambda bằng 10.
45
The bottom of the parabola is where the slope gives us the lowest sum of squared residuals plus penalty,
Đáy của parabol là nơi độ dốc cho ta tổng bình phương phần dư cộng với hệ số phạt đạt giá trị nhỏ nhất.
46
and that corresponds to this specific line.
và điều đó tương ứng với dòng cụ thể này.
47
And when we compare that to the optimal slope when lambda equals zero,
Và khi chúng ta so sánh điều đó với độ dốc tối ưu khi lambda bằng không,
48
we see that setting lambda equal to 10 results in a smaller optimal slope.
chúng ta thấy rằng việc đặt lambda bằng 10 sẽ cho ra một độ dốc tối ưu nhỏ hơn.
49
Note, we can also see that when lambda equals 10, the lowest point in the parabola is closer to zero than when lambda equals zero.
Lưu ý, chúng ta cũng có thể thấy rằng khi lambda bằng 10, điểm thấp nhất của parabol gần với số không hơn so với khi lambda bằng không.
50
So, either way we look at it, we see that the larger value for lambda shrunk the optimal value for the slope.
Vì vậy, dù xét theo cách nào đi nữa, chúng ta cũng thấy rằng giá trị lớn hơn của lambda đã làm giảm giá trị tối ưu của hệ số góc.
51
Likewise, the thick green line represents lambda equals 20.
Tương tự, đường màu xanh lá dày biểu diễn cho lambda bằng 20.
52
We see that the minimum value is closer to zero, and the optimal slope has shrunk some more.
53
The purple lines represent lambda equals 40, and it shrinks the slope even more.
54
In other words, as we increase lambda for the ridge regression penalty, a.k.a the L2 penalty, a.k.a the square penalty,
55
The optimal slope gets closer and closer to zero, but it does not equal zero.
56
Bam!
57
Now let's see what happens if we use the lasso penalty, a.k.a the L1 norm, or, if you asked me,
58
I'd call it the absolute value penalty.
59
Unfortunately, no one asked me.
60
Again, the thick blue line represents lambda equals zero, so there is no extra penalty.
61
This is because when we plug lambda equals zero into the equation, the penalty becomes zero.
62
And we are left with the original sum of the squared residuals.
63
Note, just like before, we'll keep track of the best fitting line plus penalty in this graph on the left.
64
The thick orange line represents lambda equals 10, so now we are turning on the penalty and shrinking the slope.
65
When lambda equals 10, we start to see a kink in the curve where the slope is 0.
66
The thick green line represents lambda equals 20, and this kink at zero is becoming more prominent.
67
Lastly, the thick purple line represents lambda equals 40.
68
And now the kink at zero is super obvious.
69
Now the lowest point in the purple curve,
70
aka the optimal slope given the absolute value penalty when lambda equals 40, is zero.
71
And that means the slope of the optimal line is 0.
72
And that means when lambda equals 40, we ignore weight as a variable when predicting height.
73
Double bam!
74
In summary, when we increase the ridge regression penalty, a.k.a the L2 penalty, a.k.a the square penalty,
75
the optimal slopes shift towards zero, but we retain a nice parabola shape.
76
And even when we set lambda to something crazy high like 400, we still end up with an optimal value greater than zero.
77
In contrast, when we increase the lasso penalty, a.k.a the L1 penalty, a.k.a the absolute value penalty,
78
The optimal value shifts towards zero, but since we have a kink at zero, zero ends up being the optimal slope.
79
Bam!
80
Hooray!
81
We've made it to the end of another exciting StatQuest.
82
If you like this StatQuest and want to see more, please subscribe.
83
And if you want to support StatQuest, consider contributing to my Patreon campaign,
84
becoming a channel member, buying one or two of my original songs or a t-shirt or a hoodie or just donate.
85
The links are in the description below.
86
All right, until next time, quest on!
Tải Ứng Dụng
Mọi thứ bạn cần để nói trôi chảy
Chấm điểm AIChấm từng câu nói
Luyện IPAThành thạo mọi âm
Từ vựngMở rộng vốn từ
Game Từ vựngHọc qua chơi
Cùng kênh
C17
Gaussian Naive Bayes, Clearly Explained!!!
Daily ConversationUniversity Students
C11
Naive Bayes, Clearly Explained!!!
Daily ConversationUniversity Students
C11
The Essential Main Ideas of Neural Networks
Business EnglishUniversity StudentsWorking Adults
C12
The GELU, SiLU and SwiGLU activation functions, clearly explained!!!
Daily ConversationUniversity Students
C11
A Gentle Introduction to Machine Learning
Business EnglishUniversity StudentsWorking Adults
FOR YOU
Video gợi ý
C11
64 câu
GCSE Physics - How to Draw Ray Diagrams - Concave & Convex Lenses (2027/28 exams)
Daily ConversationHigh School StudentsUniversity Students
C11
575 câu
Lec-6 Simplex Method | Maximization Problem | Mathematical Example Solution | Operations Research
Daily ConversationUniversity Students
C11
406 câu
Scoliosis: How to medically classify scoliosis (the Lenke System for AIS)
Daily ConversationUniversity Students
C11
847 câu
The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)
Daily ConversationUniversity Students
C1287 câu
Differential equations, a tourist's guide | DE1
Daily ConversationUniversity Students
C11
167 câu
Mental Debugging: How to Build Resilience After Failure
Daily ConversationUniversity StudentsWorking Adults
C11
153 câu
Statics: Lesson 46 - Distributed Loads Using Centroids
Daily ConversationUniversity Students
C12
78 câu
Vanishing & Exploding Gradient explained | A problem resulting from backpropagation
Daily ConversationUniversity Students
C11
166 câu
The Scariest IQ Statistics | Jordan Peterson
Daily ConversationUniversity StudentsWorking Adults
C11
326 câu
Google Earth Engine Tutorial 1: Lake Area Estimation
Daily ConversationUniversity Students
C11
60 câu
Quick Study: How Venture Capitalists Make Decisions
Daily ConversationUniversity StudentsWorking Adults
Từ vựng và ghi chú luyện nói cho bài học này
Bài luyện nói này dựa trên video “Ridge vs Lasso Regression, Visualized!!!”. Những từ được nhắc lại nhiều nhất trong bài: slope, penalty, lambda, equal, zero. Video này có 86 câu và 1111 từ để luyện shadowing. Phần lời nói dài 9:04. Người nói giữ tốc độ đều, khoảng 122 từ mỗi phút, vừa sức để nói đuổi theo. Chỉ 70% số từ nằm trong 3.000 từ tiếng Anh thông dụng nhất, nên từ vựng khá khó.
Từ vựng quan trọng trong video
15 từ đáng học trong video, kèm phiên âm và nghĩa:
| Từ | Phiên âm | Nghĩa |
|---|---|---|
| penalty danh từ | /ˈpɛn.əl.ti/ | trừng phạt |
| thick tính từ | /θɪk/ | dày |
| horizontal tính từ | /ˌhoɹəˈzɑn.təl/ | ngang |
| calculate động từ | /ˈkælkjʊleɪt/ | tính toán, tính |
| graph danh từ | /ɡɹæf/ | biểu đồ |
| curve danh từ | /kɚv/ | khúc quanh |
| purple danh từ | /ˈpɝ.pl̩/ | tía |
| plug danh từ | /plʌɡ/ | phích, đầu cắm |
| compare động từ | /kəmˈpɛɚ/ | so sánh, so |
| versus | /ˈvɝsəs/ | đối, đối đầu |
| predict động từ | /pɹɪˈdɪkt/ | dự báo |
| axis danh từ | /ˈæksɪs/ | trục |
| equation danh từ | /ɪˈkweɪ.ʒən/ | phương trình |
| ignore động từ | /ɪɡˈnɔː/ | lơ, lờ |
| summary danh từ | /ˈsʌm.ə.ɹi/ | tóm tắt |
Cụm động từ bạn sẽ nghe
| Từ | Nghĩa |
|---|---|
| check out động từ | tính tiền, trả phòng |
Ngữ pháp trong video
Những cấu trúc người nói dùng nhiều nhất, kèm đúng cụm từ trong video:
| Cấu trúc | Trong video |
|---|---|
| Câu bị động be + quá khứ phân từ — nhấn vào việc xảy ra, không phải người làm | be visualized · should be called · are left |
| Thì hiện tại hoàn thành have/has + quá khứ phân từ — việc đã xảy ra nhưng còn liên quan đến hiện tại | has shrunk · We've made |
Phát âm cần chú ý
Người nói dùng 8 dạng rút gọn, ví dụ we'll, we're, I'd. Hãy nói theo dạng ngắn đúng như bạn nghe.
- Âm “sh” và “zh”: equation /ɪˈkweɪ.ʒən/, contrast /kənˈt(ʃ)ɹæst/, measurement /ˈmɛʒ.ə.mənt/, regression /ɹiːˈɡɹɛʃ.ən/, visualize /ˈvɪʒuəˌlaɪz/
- Từ dài — đặt trọng âm cho đúng: residual /ɹɪˈzɪd͡ʒ.u.əl/, horizontal /ˌhoɹəˈzɑn.təl/, parabola /pəˈɹæb.ə.lə/
Những âm người Việt thường gặp khó:
- Cụm phụ âm cuối — đọc đủ từng âm, đừng nuốt âm cuối: quest /kwɛst/, predict /pɹɪˈdɪkt/, contrast /kənˈt(ʃ)ɹæst/, prominent /ˈpɹɑmɪnənt/, measurement /ˈmɛʒ.ə.mənt/
- Âm /tʃ/, /dʒ/ và /ʒ/ — tiếng Việt không có, đừng đọc thành “ch” hay “gi”: residual /ɹɪˈzɪd͡ʒ.u.əl/, ridge /ɹɪd͡ʒ/, equation /ɪˈkweɪ.ʒən/, measurement /ˈmɛʒ.ə.mənt/, visualize /ˈvɪʒuəˌlaɪz/
- Âm /æ/ — mở miệng rộng hơn âm “e”: calculate /ˈkælkjʊleɪt/, graph /ɡɹæf/, axis /ˈæksɪs/, contrast /kənˈt(ʃ)ɹæst/, variable [ˈvæɹ.i.ə.bl̩]
Cách luyện với video này
- Nghe hết video một lần, chưa cần nói, và ghi lại những từ bạn chưa biết.
- Nói đuổi từng câu ở tốc độ bình thường, lặp lại mỗi câu đến khi nhịp của bạn khớp với người nói.
- Ghi âm giọng mình rồi so với bản gốc, chú ý các từ như penalty, thick, horizontal.
Phương Pháp Shadowing Là Gì?
Shadowing là kỹ thuật học ngôn ngữ có cơ sở khoa học, ban đầu được phát triển cho chương trình đào tạo phiên dịch viên chuyên nghiệp và được phổ biến rộng rãi bởi nhà đa ngôn ngữ học Dr. Alexander Arguelles. Nguyên lý cốt lõi đơn giản nhưng cực kỳ hiệu quả: bạn nghe tiếng Anh của người bản xứ và lặp lại to ngay lập tức — như một "cái bóng" (shadow) đuổi theo người nói với độ trễ chỉ 1–2 giây. Khác với luyện ngữ pháp hay học từ vựng bị động, Shadowing buộc não bộ và cơ miệng phải đồng thời xử lý và tái tạo ngôn ngữ thực tế. Các nghiên cứu khoa học xác nhận phương pháp này cải thiện đáng kể phát âm, ngữ điệu, nhịp điệu, nối âm, kỹ năng nghe và độ lưu loát khi nói — đặc biệt hiệu quả cho người luyện IELTS Speaking và muốn giao tiếp tiếng Anh tự nhiên như người bản ngữ.