Đề 3 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Mô hình hồi quy. B B. Mô hình phân lớp. C C. Mô hình phân cụm. D D. Mô hình luật kết hợp.

A A. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra. B B. Mô hình hoạt động kém trên dữ liệu huấn luyện nhưng tốt trên dữ liệu kiểm tra. C C. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra. D D. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.

A A. Tạo ra các đặc trưng mới từ các đặc trưng hiện có. B B. Giảm số lượng đặc trưng đầu vào bằng cách chọn ra một tập con các đặc trưng quan trọng nhất. C C. Chuyển đổi dữ liệu sang định dạng phù hợp hơn. D D. Phân cụm dữ liệu dựa trên đặc trưng.

A A. Khi biết trước số lượng cụm. B B. Khi dữ liệu có kích thước rất lớn. C C. Khi muốn khám phá cấu trúc phân cấp tự nhiên của dữ liệu. D D. Khi yêu cầu tốc độ tính toán nhanh.

A A. Tỷ lệ mẫu phân loại sai trên tổng số mẫu. B B. Tỷ lệ mẫu phân loại đúng trên tổng số mẫu. C C. Tỷ lệ dương tính thật trên tổng số mẫu thực tế là dương tính. D D. Tỷ lệ dương tính thật trên tổng số mẫu được dự đoán là dương tính.

A A. Quá trình thu thập dữ liệu từ nhiều nguồn khác nhau. B B. Quá trình chuyển đổi dữ liệu sang định dạng phù hợp để phân tích. C C. Quá trình khám phá tri thức hữu ích từ lượng lớn dữ liệu. D D. Quá trình trực quan hóa dữ liệu để dễ dàng nhận biết xu hướng.

A A. Dữ liệu chứa nhiều giá trị ngoại lệ. B B. Dữ liệu có nhiều chiều. C C. Hầu hết các giá trị trong dữ liệu là số 0 hoặc giá trị thiếu. D D. Dữ liệu được phân bố đều.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Đánh giá độ tin cậy của mô hình học máy trên dữ liệu mới. C C. Giảm thời gian huấn luyện mô hình. D D. Trực quan hóa kết quả của mô hình.

A A. Phát hiện gian lận thẻ tín dụng. B B. Dự báo thời tiết hàng ngày. C C. Đề xuất sản phẩm cho khách hàng trực tuyến. D D. Chẩn đoán bệnh dựa trên dữ liệu y tế.

A A. Phân tích chuỗi thời gian (Time Series Analysis). B B. Phân tích luật kết hợp (Association Rule Mining). C C. Phân tích thành phần chính (Principal Component Analysis). D D. Phân tích phương sai (ANOVA).

A A. Các cụm chồng lấn lên nhau. B B. Các cụm được phân tách tốt và các điểm dữ liệu trong cụm tương đồng nhau. C C. Mô hình bị quá khớp với dữ liệu. D D. Số lượng cụm được chọn không phù hợp.

A A. Tăng kích thước tập dữ liệu. B B. Cải thiện chất lượng dữ liệu và làm cho nó phù hợp hơn cho khai phá. C C. Giảm độ phức tạp của thuật toán khai phá. D D. Trực quan hóa dữ liệu một cách hiệu quả.

A A. Phân loại văn bản. B B. Dự đoán giá trị tương lai dựa trên dữ liệu quá khứ. C C. Tìm luật kết hợp giữa các sản phẩm. D D. Phân cụm khách hàng.

A A. Dữ liệu được thu thập từ nguồn không đáng tin cậy. B B. Dữ liệu bị thiếu giá trị. C C. Dữ liệu chứa lỗi, ngoại lệ hoặc giá trị không chính xác. D D. Dữ liệu không liên quan đến vấn đề cần phân tích.

A A. Các thuộc tính đầu vào phải có phân phối Gaussian. B B. Các thuộc tính đầu vào độc lập có điều kiện với nhau khi biết lớp. C C. Dữ liệu phải được chuẩn hóa trước khi huấn luyện. D D. Mô hình chỉ hoạt động tốt với dữ liệu số.

A A. Phân lớp (Classification). B B. Hồi quy (Regression). C C. Phân cụm (Clustering). D D. Luật kết hợp (Association Rule Mining).

A A. Rời rạc hóa dữ liệu (Data Discretization). B B. Chuẩn hóa dữ liệu (Data Normalization). C C. Thay thế bằng giá trị trung bình (Mean Imputation). D D. Giảm chiều dữ liệu (Dimensionality Reduction).

A A. Dữ liệu dạng văn bản. B B. Dữ liệu hình ảnh. C C. Dữ liệu có thông tin vị trí địa lý. D D. Dữ liệu chuỗi thời gian.

A A. Số lượng chiều của dữ liệu. B B. Số lượng cụm mong muốn. C C. Số lần lặp tối đa của thuật toán. D D. Khoảng cách lớn nhất giữa các điểm dữ liệu.

A A. Phân tích thành phần chính (PCA). B B. Lựa chọn đặc trưng (Feature Selection). C C. Rời rạc hóa dữ liệu (Data Discretization). D D. Phân tích phân biệt tuyến tính (LDA).

A A. Khả năng mở rộng của thuật toán. B B. Tốc độ xử lý dữ liệu. C C. Độ phức tạp của mô hình. D D. Sự thiếu hụt dữ liệu.

A A. Cây quyết định (Decision Tree). B B. Máy học vector hỗ trợ (SVM). C C. Luật kết hợp (Association Rule Mining). D D. Naive Bayes.

A A. Phân tích cảm xúc văn bản. B B. Trích xuất thực thể có tên. C C. Đo lường tầm quan trọng của từ trong một tài liệu so với tập hợp tài liệu. D D. Phân loại văn bản theo chủ đề.

A A. Làm sạch dữ liệu (Data Cleaning). B B. Chọn lọc dữ liệu (Data Selection). C C. Phân tích hồi quy (Regression Analysis). D D. Đánh giá mẫu (Pattern Evaluation).

A A. Giảm chiều dữ liệu. B B. Cải thiện độ chính xác và ổn định của mô hình bằng cách kết hợp kết quả từ nhiều mô hình yếu. C C. Xử lý dữ liệu bị thiếu. D D. Tăng tốc độ huấn luyện mô hình.

A A. Dự đoán giá trị của một biến mục tiêu liên tục. B B. Phân loại dữ liệu vào các nhóm đã được xác định trước. C C. Nhóm các đối tượng tương tự nhau thành cụm dựa trên đặc điểm của chúng. D D. Tìm kiếm các mối quan hệ kết hợp giữa các biến.

A A. Phân lớp (Classification). B B. Hồi quy (Regression). C C. Luật kết hợp (Association Rule Mining). D D. Phân cụm (Clustering).

A A. Độ chính xác dự đoán cao hơn trong mọi trường hợp. B B. Khả năng xử lý dữ liệu phi tuyến tính tốt hơn. C C. Dễ dàng diễn giải và trực quan hóa quy tắc phân lớp. D D. Yêu cầu ít dữ liệu huấn luyện hơn.

A A. Tăng tốc độ huấn luyện mô hình. B B. Đảm bảo tính bảo mật của dữ liệu. C C. Đánh giá khách quan hiệu suất của mô hình và điều chỉnh siêu tham số. D D. Giảm dung lượng lưu trữ dữ liệu.

A A. Tỷ lệ mẫu phân loại đúng trên tổng số mẫu. B B. Tỷ lệ mẫu phân loại sai trên tổng số mẫu. C C. Tỷ lệ dương tính thật trên tổng số mẫu thực tế là dương tính. D D. Tỷ lệ dương tính thật trên tổng số mẫu được dự đoán là dương tính.