Công cụ thống kê mô tả nào được sử dụng khi cần tổng hợp dữ liệu đa chiều

Công cụ được sử dụng để dự đoán xu hướng tăng/giảm của mã chứng khoán dựa trên thông tin giá cả và lượng cổ phiếu mua/bán của các ngày trước đó thường là các phương pháp phân tích kỹ thuật. Trong các lựa chọn được đưa ra:

* Trung bình trượt (Moving Average): Là một công cụ phân tích kỹ thuật phổ biến, giúp làm mịn dữ liệu giá và xác định xu hướng bằng cách tính trung bình giá trong một khoảng thời gian nhất định.
* San bằng mũ (Exponential Smoothing): Là một phương pháp dự báo chuỗi thời gian, gán trọng số giảm dần theo cấp số nhân cho các quan sát cũ hơn. Nó nhạy hơn với những thay đổi gần đây so với trung bình trượt đơn giản.
* Hồi quy (Regression): Là một kỹ thuật thống kê được sử dụng để mô hình hóa mối quan hệ giữa các biến. Trong bối cảnh này, hồi quy có thể được sử dụng để dự đoán giá cổ phiếu dựa trên các yếu tố khác nhau, bao gồm cả giá và khối lượng giao dịch trong quá khứ.

Vì cả ba phương pháp đều có thể được sử dụng để dự đoán xu hướng, tuy nhiên, trong bối cảnh câu hỏi, trung bình trượt và san bằng mũ được sử dụng phổ biến hơn để phân tích xu hướng giá cả và khối lượng giao dịch trong quá khứ một cách trực tiếp.

Có nhiều cách để xử lý dữ liệu bị thiếu, trong đó phổ biến nhất là:

1. Loại bỏ các dòng/cột chứa dữ liệu bị thiếu: Cách này đơn giản nhưng có thể làm mất thông tin quan trọng nếu số lượng dữ liệu bị thiếu lớn.
2. Điền giá trị thiếu (Imputation): Thay thế các giá trị thiếu bằng một giá trị ước tính. Các phương pháp điền giá trị phổ biến bao gồm:
* Điền bằng giá trị trung bình (mean imputation).
* Điền bằng giá trị trung vị (median imputation).
* Điền bằng giá trị thường xuyên xuất hiện nhất (mode imputation).
* Sử dụng các thuật toán học máy để dự đoán giá trị thiếu (ví dụ: k-Nearest Neighbors, Linear Regression).
3. Sử dụng các thuật toán có thể xử lý dữ liệu bị thiếu: Một số thuật toán học máy có thể xử lý dữ liệu bị thiếu mà không cần phải loại bỏ hoặc điền giá trị.

Do đó, có ít nhất 3 cách xử lý dữ liệu bị thiếu. Tuy nhiên, câu hỏi có thể đang đề cập đến các cách phân loại khác nhau hoặc chi tiết hơn, nên đáp án chính xác nhất trong các lựa chọn là 'b. 3' (dù trên thực tế có nhiều hơn 3).

Câu hỏi này liên quan đến các khái niệm cơ bản trong thống kê y học và đánh giá các xét nghiệm chẩn đoán. Trong trường hợp một người không mắc bệnh lao nhưng xét nghiệm lại cho kết quả dương tính (bị lao), đây là một lỗi. Lỗi này được gọi là báo động nhầm (false positive).

* Tỷ lệ bỏ sót (false negative rate) là tỷ lệ các trường hợp bệnh nhân mắc bệnh nhưng xét nghiệm cho kết quả âm tính.
* Độ nhạy (sensitivity) là khả năng xét nghiệm xác định chính xác những người mắc bệnh.
* Độ lỗi là một khái niệm chung chung và không cụ thể trong trường hợp này.

Vì vậy, đáp án chính xác là tỷ lệ báo động nhầm.

Phân cụm dữ liệu (clustering) là một kỹ thuật trong học máy không giám sát. Trong học máy không giám sát, thuật toán không được cung cấp nhãn hoặc kết quả đầu ra mong muốn trước. Thay vào đó, thuật toán phải tự khám phá các cấu trúc ẩn trong dữ liệu. Phân cụm dữ liệu thực hiện điều này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Do đó, đáp án đúng là 'Không giám sát'.