Lựa chọn nào sau đây không phải là một bước trong quy trình khai thác dữ liệu:

Phân tích câu hỏi: Câu hỏi yêu cầu xác định kiểu dữ liệu của thuộc tính "Loại khách hàng" khi nó có ba giá trị rời rạc: "VIP", "Premium" và "Economic". Đánh giá các phương án: * **A. Liên tục:** Dữ liệu liên tục là dữ liệu có thể nhận bất kỳ giá trị nào trong một phạm vi nhất định (ví dụ: chiều cao, cân nặng). "Loại khách hàng" không phải là dữ liệu liên tục. * **B. Rời rạc:** Dữ liệu rời rạc chỉ có thể nhận một số giá trị hữu hạn hoặc đếm được (ví dụ: số lượng sản phẩm, số người). "Loại khách hàng" với ba giá trị "VIP", "Premium" và "Economic" là dữ liệu rời rạc. * **C. Xếp hạng/thứ tự:** Dữ liệu xếp hạng có thứ tự tự nhiên giữa các giá trị (ví dụ: rất hài lòng, hài lòng, bình thường, không hài lòng). Mặc dù các loại khách hàng có thể ngụ ý một thứ tự nhất định, nhưng nó không phải là bản chất của kiểu dữ liệu. * **D. Định danh:** Dữ liệu định danh được sử dụng để phân biệt các đối tượng khác nhau, không có thứ tự hoặc ý nghĩa số học (ví dụ: mã số sinh viên, biển số xe). "Loại khách hàng" không chỉ đơn thuần là định danh, nó còn mang ý nghĩa về phân loại. Kết luận: Phương án B là đáp án đúng nhất vì "Loại khách hàng" với ba giá trị cho trước là một ví dụ về dữ liệu rời rạc.

Tiền xử lý dữ liệu là quá trình chuẩn bị dữ liệu thô để làm cho nó phù hợp hơn cho các mô hình học máy và các kỹ thuật khai thác dữ liệu khác. Quá trình này thường bao gồm các bước như làm sạch dữ liệu (xử lý các giá trị bị thiếu, loại bỏ nhiễu), chuyển đổi dữ liệu (thay đổi định dạng dữ liệu, chuẩn hóa dữ liệu), và rút gọn dữ liệu (giảm kích thước dữ liệu bằng cách loại bỏ các thuộc tính không liên quan hoặc sử dụng các kỹ thuật giảm chiều). Thu thập dữ liệu là một bước riêng biệt, xảy ra trước khi tiền xử lý dữ liệu. Vì vậy, đáp án C là đáp án đúng.

Khi dữ liệu bị thiếu, có một số phương pháp xử lý phổ biến như sau:

1. Xóa bỏ các bản ghi chứa dữ liệu thiếu: Đây là cách đơn giản nhất, nhưng có thể dẫn đến mất mát thông tin quan trọng nếu số lượng bản ghi bị xóa quá nhiều.
2. Điền giá trị thiếu bằng các giá trị thay thế:
   • Điền bằng giá trị trung bình (mean): Thích hợp cho dữ liệu số có phân phối gần chuẩn.
   • Điền bằng giá trị trung vị (median): Thích hợp cho dữ liệu số có nhiều giá trị ngoại lệ.
   • Điền bằng giá trị thường xuyên xuất hiện nhất (mode): Thích hợp cho dữ liệu định tính.
   • Điền bằng hằng số: Điền tất cả các giá trị thiếu bằng một giá trị cố định.
3. Sử dụng các thuật toán dự đoán: Sử dụng các mô hình học máy để dự đoán giá trị thiếu dựa trên các thuộc tính khác.
   • K-Nearest Neighbors (KNN): Dự đoán giá trị dựa trên các bản ghi gần nhất.
   • Hồi quy tuyến tính: Dự đoán giá trị dựa trên mối quan hệ tuyến tính giữa các thuộc tính.

Như vậy, có ít nhất 3 cách xử lý chính khi dữ liệu bị thiếu. Các phương pháp cụ thể có thể được điều chỉnh hoặc kết hợp tùy thuộc vào bản chất của dữ liệu và mục tiêu phân tích.

Rời rạc hóa dữ liệu (discretization) là quá trình chuyển đổi dữ liệu số (numerical data) thành dữ liệu thuộc kiểu định danh (categorical data). Điều này thường được thực hiện khi một số thuật toán hoặc mô hình học máy hoạt động tốt hơn với dữ liệu rời rạc, hoặc khi việc giảm số lượng giá trị khác nhau có thể giúp đơn giản hóa dữ liệu và giảm overfitting. A. Dữ liệu bị thiếu: Dữ liệu bị thiếu là một vấn đề khác và thường được xử lý bằng các phương pháp như điền giá trị thiếu hoặc loại bỏ các bản ghi chứa giá trị thiếu. B. Dữ liệu thuộc kiểu số học: Đây chính là trường hợp cần rời rạc hóa. Khi dữ liệu có kiểu số học (ví dụ: tuổi, thu nhập), ta có thể chia chúng thành các khoảng (ví dụ: trẻ em, thanh niên, trung niên, người già). C. Dữ liệu thuộc kiểu định danh: Dữ liệu kiểu định danh đã là rời rạc, do đó không cần rời rạc hóa nữa. D. Dữ liệu thuộc kiểu nhị phân: Dữ liệu nhị phân cũng là một dạng rời rạc (chỉ có hai giá trị), nên không cần rời rạc hóa thêm.

Phân lớp dữ liệu (classification) là một kỹ thuật trong học có giám sát (supervised learning). Trong học có giám sát, mô hình được huấn luyện trên một tập dữ liệu đã được gán nhãn, tức là mỗi điểm dữ liệu đã được xác định thuộc về một lớp cụ thể. Mục tiêu của mô hình là học cách ánh xạ từ các đặc trưng của dữ liệu đầu vào đến lớp tương ứng. Do đó, phân lớp dữ liệu thuộc phương pháp học có giám sát. Các phương án khác: - Học không giám sát (unsupervised learning): Sử dụng dữ liệu không có nhãn để tìm ra cấu trúc ẩn trong dữ liệu (ví dụ: phân cụm). - Học bán giám sát (semi-supervised learning): Sử dụng kết hợp dữ liệu có nhãn và không có nhãn. - Phương pháp lai: Kết hợp nhiều phương pháp khác nhau, nhưng bản thân phân lớp dữ liệu vẫn thuộc học có giám sát.