Đề 6 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Mô hình quá phức tạp và học thuộc lòng dữ liệu huấn luyện. B B. Mô hình quá đơn giản và không nắm bắt được cấu trúc dữ liệu. C C. Dữ liệu huấn luyện có quá nhiều nhiễu. D D. Thuật toán khai phá dữ liệu không hiệu quả.

A A. Khi có dữ liệu huấn luyện được gán nhãn đầy đủ. B B. Khi mục tiêu là tìm kiếm cấu trúc ẩn trong dữ liệu. C C. Khi cần xây dựng hệ thống tự động ra quyết định và tương tác với môi trường để tối đa hóa phần thưởng. D D. Khi dữ liệu thay đổi liên tục theo thời gian.

A A. Tăng số lượng thuộc tính (features) của dữ liệu. B B. Giảm số lượng thuộc tính (features) của dữ liệu mà vẫn giữ thông tin quan trọng. C C. Tăng độ chính xác của mô hình khai phá. D D. Tăng tốc độ thu thập dữ liệu.

A A. Loại bỏ hoàn toàn các thuộc tính ít quan trọng nhất. B B. Tìm ra các thành phần chính (principal components) giữ lại phương sai lớn nhất của dữ liệu. C C. Chọn ngẫu nhiên một số thuộc tính. D D. Thay thế các thuộc tính ban đầu bằng các thuộc tính mới dễ hiểu hơn.

A A. Độ chính xác (Accuracy). B B. Giá trị F1 (F1-score). C C. Chỉ số Davies-Bouldin (Davies-Bouldin index). D D. Độ thu hồi (Recall).

A A. Dự đoán xu hướng thời trang. B B. Phân tích thị trường chứng khoán. C C. Phát hiện sớm bệnh tật và cá nhân hóa điều trị. D D. Quản lý chuỗi cung ứng.

A A. Phân loại văn bản. B B. Dự đoán chuỗi thời gian. C C. Phân cụm dữ liệu. D D. Phân tích cảm xúc.

A A. Phân loại sử dụng dữ liệu số, hồi quy sử dụng dữ liệu văn bản. B B. Phân loại dự đoán giá trị rời rạc, hồi quy dự đoán giá trị liên tục. C C. Phân loại luôn chính xác hơn hồi quy. D D. Hồi quy chỉ áp dụng cho dữ liệu có cấu trúc, phân loại thì không.

A A. Độ tin cậy của luật kết hợp. B B. Tần suất xuất hiện của một tập mục trong cơ sở dữ liệu. C C. Mức độ quan tâm của luật kết hợp. D D. Khả năng áp dụng luật kết hợp vào thực tế.

A A. Làm tăng độ nhiễu của dữ liệu. B B. Làm giảm phương sai của dữ liệu và làm sai lệch phân phối. C C. Làm chậm quá trình huấn luyện mô hình. D D. Không thể xử lý được dữ liệu số.

A A. Đánh giá mô hình. B B. Làm sạch và tiền xử lý dữ liệu. C C. Triển khai và ứng dụng mô hình. D D. Xây dựng mô hình.

A A. Độ chính xác tổng thể của mô hình. B B. Chi phí tính toán của mô hình. C C. Số lượng thuộc tính quan trọng nhất. D D. Thống kê chi tiết về dự đoán đúng và sai cho từng lớp.

A A. Phân tích hồi quy (Regression analysis). B B. Phân tích phương sai (ANOVA). C C. Phân cụm (Clustering). D D. Khai thác luật kết hợp (Association rule mining).

A A. Sự thiếu hụt công cụ khai phá dữ liệu mạnh mẽ. B B. Nguy cơ xâm phạm quyền riêng tư và sử dụng dữ liệu sai mục đích. C C. Chi phí lưu trữ dữ liệu ngày càng tăng. D D. Tốc độ xử lý dữ liệu quá chậm.

A A. Khi dữ liệu có kích thước nhỏ và ít thuộc tính. B B. Khi cần giải thích mô hình một cách dễ dàng. C C. Khi dữ liệu có cấu trúc phức tạp và lượng lớn. D D. Khi yêu cầu tốc độ huấn luyện mô hình rất nhanh.

A A. Thuật toán phân cụm. B B. Thuật toán hồi quy tuyến tính. C C. Thuật toán phân loại và hồi quy dựa trên cây quyết định. D D. Thuật toán khai thác luật kết hợp.

A A. Phân tích hồi quy tuyến tính. B B. Phân cụm k-Means. C C. Phát hiện dị thường (Anomaly detection). D D. Phân loại Naive Bayes.

A A. Tăng cường bảo mật dữ liệu. B B. Tự động hóa nhập liệu dữ liệu. C C. Khám phá các mẫu, tri thức ẩn từ lượng lớn dữ liệu. D D. Cải thiện tốc độ truy xuất dữ liệu.

A A. Tần suất xuất hiện của một tập mục. B B. Độ phổ biến của một luật kết hợp. C C. Mức độ quan tâm của một luật kết hợp so với kỳ vọng ngẫu nhiên. D D. Độ tin cậy của một luật kết hợp.

A A. Thuật toán sẽ không hội tụ. B B. Các cụm tìm được sẽ chồng lấp lên nhau. C C. Dữ liệu sẽ bị phân chia thành quá nhiều cụm nhỏ, có thể không có ý nghĩa. D D. Độ chính xác của phân cụm sẽ tăng lên.

A A. Khả năng mô hình xử lý dữ liệu lớn; quan trọng vì giúp tăng tốc độ khai phá. B B. Khả năng mô hình đưa ra dự đoán chính xác; quan trọng vì tăng độ tin cậy của kết quả. C C. Khả năng con người hiểu được cách mô hình đưa ra quyết định; quan trọng để tin tưởng và kiểm soát mô hình, đặc biệt trong các ứng dụng nhạy cảm. D D. Khả năng mô hình tự động cập nhật khi có dữ liệu mới; quan trọng để duy trì hiệu suất mô hình.

A A. Mô hình hồi quy. B B. Mô hình phân cụm. C C. Mô hình phân loại. D D. Mô hình khai thác luật kết hợp.

A A. Phân loại văn bản theo chủ đề. B B. Phân cụm văn bản dựa trên nội dung. C C. Tính trọng số của từ trong một văn bản và trong toàn bộ tập văn bản. D D. Phát hiện ngôn ngữ của văn bản.

A A. Tăng kích thước tập dữ liệu huấn luyện. B B. Sử dụng thuật toán phức tạp hơn. C C. Thu thập dữ liệu từ nhiều nguồn khác nhau và đảm bảo tính đại diện. D D. Giảm số lượng thuộc tính đầu vào.

A A. Phân loại (Classification). B B. Hồi quy (Regression). C C. Phân cụm (Clustering). D D. Khai thác luật kết hợp (Association rule mining).

A A. Tăng kích thước tập dữ liệu. B B. Giảm độ phức tạp của thuật toán khai phá. C C. Xử lý dữ liệu bị thiếu, nhiễu và không nhất quán. D D. Mã hóa dữ liệu để bảo mật.

A A. Học có giám sát (Supervised learning). B B. Học tăng cường (Reinforcement learning). C C. Học không giám sát (Unsupervised learning). D D. Học bán giám sát (Semi-supervised learning).

A A. Mô hình sẽ quá khớp với lớp thiểu số. B B. Mô hình có xu hướng dự đoán nghiêng về lớp đa số và kém hiệu quả với lớp thiểu số. C C. Thuật toán phân loại sẽ không thể hội tụ. D D. Độ chính xác tổng thể của mô hình sẽ giảm đáng kể.

A A. Sự thiếu hụt thuật toán khai phá dữ liệu. B B. Khả năng mở rộng và hiệu suất tính toán. C C. Sự khan hiếm dữ liệu. D D. Chi phí phần mềm khai phá dữ liệu quá cao.

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