Đề 4 – Bài tập, đề thi trắc nghiệm online Khai phá dữ liệu

A A. Số lượng mẫu thực tế là dương tính và được dự đoán là âm tính. B B. Số lượng mẫu thực tế là âm tính và được dự đoán là dương tính. C C. Số lượng mẫu thực tế là dương tính và được dự đoán là dương tính. D D. Số lượng mẫu thực tế là âm tính và được dự đoán là âm tính.

A A. Mô hình quá đơn giản, không nắm bắt được xu hướng dữ liệu. B B. Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới. C C. Dữ liệu huấn luyện chứa quá nhiều giá trị ngoại lệ. D D. Thuật toán khai phá dữ liệu không phù hợp.

A A. Xóa bỏ hoàn toàn các bản ghi chứa giá trị thiếu. B B. Thay thế giá trị thiếu bằng một giá trị ước tính. C C. Bỏ qua các thuộc tính có giá trị thiếu. D D. Giữ nguyên giá trị thiếu và không xử lý.

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

A A. TP / (TP + FP) B B. TP / (TP + FN) C C. TN / (TN + FP) D D. TN / (TN + FN)

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. Mức độ tin cậy của luật. B B. Tần suất xuất hiện đồng thời của các mục trong luật trong tập dữ liệu. C C. Mức độ quan tâm của người dùng đối với luật. D D. Độ chính xác của luật khi dự đoán.

A A. Support(X U Y) / Support(X) B B. Support(X U Y) / Support(Y) C C. Support(X) / Support(X U Y) D D. Support(Y) / Support(X U Y)

A A. Tiền xử lý dữ liệu B B. Đánh giá mẫu C C. Chuyển đổi dữ liệu D D. Khai phá dữ liệu

A A. TP / (TP + FP) B B. TP / (TP + FN) C C. TN / (TN + FP) D D. TN / (TN + FN)

A A. Tìm kiếm các luật kết hợp mạnh. B B. Phân chia dữ liệu thành các cụm đồng nhất. C C. Mô phỏng cấu trúc và hoạt động của mạng nơ-ron sinh học trong não người. D D. Xây dựng cây quyết định dựa trên thông tin thu được.

A A. Loại bỏ dữ liệu ngoại lệ. B B. Chuyển đổi dữ liệu dạng số sang dạng văn bản. C C. Đưa các thuộc tính về cùng thang đo giá trị. D D. Tăng số lượng thuộc tính của dữ liệu.

A A. Tăng cường hiệu suất của thuật toán khai phá dữ liệu. B B. Bảo vệ quyền riêng tư và sử dụng dữ liệu một cách có trách nhiệm. C C. Giảm chi phí lưu trữ dữ liệu. D D. Phát triển các công cụ trực quan hóa dữ liệu đẹp mắt.

A A. Tăng độ sâu tối đa của cây (max_depth). B B. Sử dụng nhiều thuộc tính hơn. C C. Cắt tỉa cây (pruning). D D. Tăng kích thước tập dữ liệu huấn luyện.

A A. K-means B B. DBSCAN C C. Support Vector Machine (SVM) D D. Hierarchical Clustering

A A. Precision và Accuracy B B. Recall và Accuracy C C. Precision và Recall D D. Support và Confidence

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

A A. Khi dữ liệu huấn luyện rất nhỏ. B B. Khi chỉ có một thuật toán học máy duy nhất có hiệu suất tốt. C C. Khi muốn cải thiện độ chính xác và tính ổn định của mô hình. D D. Khi cần giải thích kết quả mô hình một cách dễ dàng.

A A. Loại bỏ các từ dừng (stop words) như 'và', 'thì', 'là'. B B. Chuyển đổi văn bản thành chữ thường. C C. Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ. D D. Tìm gốc của từ (stemming hoặc lemmatization).

A A. Chuẩn hóa dữ liệu (Data Normalization) B B. Rút gọn chiều dữ liệu (Dimensionality Reduction) C C. Phân cụm dữ liệu (Data Clustering) D D. Làm sạch dữ liệu (Data Cleaning)

A A. Độ phức tạp của mô hình. B B. Khả năng phân biệt giữa các lớp của mô hình. C C. Thời gian huấn luyện mô hình. D D. Số lượng thuộc tính sử dụng trong mô hình.

A A. Phân cụm (Clustering) B B. Phân loại (Classification) C C. Hồi quy (Regression) D D. Giảm chiều dữ liệu (Dimensionality Reduction)

A A. Luôn tìm ra cụm tối ưu toàn cục. B B. Không nhạy cảm với nhiễu. C C. Yêu cầu xác định trước số lượng cụm (k). D D. Tính toán nhanh chóng với dữ liệu lớn.

A A. Sự thiếu hụt các thuật toán khai phá dữ liệu phù hợp. B B. Khả năng xử lý và tính toán hiệu quả với lượng dữ liệu khổng lồ và tốc độ cao. C C. Sự đơn giản của các phương pháp khai phá dữ liệu truyền thống. D D. Chi phí thấp của việc lưu trữ dữ liệu lớn.

A A. Principal Component Analysis (PCA) B B. Linear Discriminant Analysis (LDA) C C. Decision Tree D D. K-Nearest Neighbors (KNN)

A A. Phân loại dữ liệu văn bản. B B. Dự đoán giá trị tương lai dựa trên dữ liệu quá khứ. C C. Phân nhóm khách hàng dựa trên thông tin nhân khẩu học. D D. Tìm các luật kết hợp trong dữ liệu giao dịch.

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. Phân loại dữ liệu thành các nhóm có ý nghĩa. B B. Dự đoán xu hướng phát triển của dữ liệu. C C. Xác định các điểm dữ liệu khác biệt đáng kể so với phần lớn dữ liệu còn lại. D D. Tìm các mối quan hệ giữa các thuộc tính dữ liệu.

A A. Phân loại văn bản. B B. Phân cụm văn bản. C C. Đánh giá tầm quan trọng của từ trong một văn bản so với toàn bộ tập văn bản. D D. Trích xuất thông tin từ văn bản.

A A. Dự đoán xu hướng thị trường chứng khoán. B B. Phát hiện gian lận thẻ tín dụng. C C. Tối ưu hóa quy trình sản xuất công nghiệp. D D. Sao chép dữ liệu từ hệ thống này sang hệ thống khác.