Một người bị nghi ngờ bệnh lao đi thực hiện xét nghiệm. Nếu kết quả xét nghiệm cho thấy người này bị lao trong khi anh ta thật sự không mắc bệnh lao. Trường hợp này, được gọi là:

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 dữ liệu đã được gán nhãn trước. Thay vào đó, thuật toán phải tự tìm ra cấu trúc và các mối quan hệ trong dữ liệu. Phân cụm thực hiện điều này bằng cách nhóm các điểm dữ liệu tương tự lại với nhau thành các cụm. Vì vậy, đáp án đúng là B.

Một phương pháp phân cụm tốt sẽ tạo ra các cụm mà các đối tượng trong cùng một cụm tương tự nhau (độ tương đồng bên trong cụm cao) và các cụm khác nhau thì khác nhau (độ tương đồng giữa các cụm thấp). Do đó, đáp án đúng là C.

Giải thích:

Câu hỏi này kiểm tra kiến thức về các thuật toán phân cụm (clustering) trong Machine Learning. Mỗi thuật toán có một cách tiếp cận khác nhau trong việc gán các điểm dữ liệu vào các cụm.

• A. DIANA (Divisive Analysis Clustering): Là một thuật toán phân cụm phân cấp (hierarchical clustering) chia tách. Nó bắt đầu bằng việc coi tất cả các điểm dữ liệu thuộc về một cụm duy nhất, sau đó chia cụm này thành các cụm nhỏ hơn một cách đệ quy. Một điểm dữ liệu chỉ thuộc về một cụm duy nhất tại một thời điểm.
• B. K-Means: Là một thuật toán phân cụm dựa trên khoảng cách. Mỗi điểm dữ liệu được gán cho cụm có trung tâm gần nhất. Một điểm dữ liệu chỉ thuộc về một cụm duy nhất.
• C. DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Là một thuật toán phân cụm dựa trên mật độ. Nó nhóm các điểm dữ liệu gần nhau và đánh dấu các điểm nằm trong vùng có mật độ thấp là nhiễu. Một điểm dữ liệu thường chỉ thuộc về một cụm (hoặc được đánh dấu là nhiễu).
• D. Fuzzy C-Means (FCM): Là một thuật toán phân cụm mềm (soft clustering) hay còn gọi là phân cụm mờ. Thay vì gán mỗi điểm dữ liệu vào một cụm duy nhất, FCM gán cho mỗi điểm dữ liệu một độ thành viên (membership) cho mỗi cụm. Độ thành viên này thể hiện mức độ mà điểm dữ liệu đó thuộc về cụm đó. Vì vậy, một điểm dữ liệu có thể thuộc về nhiều cụm với các mức độ khác nhau.

Vậy, thuật toán Fuzzy C-Means (FCM) cho phép một phần tử thuộc về một hoặc nhiều cụm khác nhau.

Thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán phân cụm dựa trên mật độ, không yêu cầu phải xác định trước số lượng cụm. Các thuật toán khác như K-mean, Agnes (Agglomerative Nesting) và Fuzzy C-mean thường cần xác định trước số cụm hoặc có các tham số ảnh hưởng đến số lượng cụm.

Câu hỏi này kiểm tra kiến thức về cách điều chỉnh kết quả của thuật toán phân cụm phân cấp (HAC) trong Orange để đạt được một số lượng cụm mong muốn. Trong HAC, thuật toán xây dựng một cây phân cấp (dendrogram) thể hiện các cụm lồng nhau. Để có được một số lượng cụm cụ thể, ta cần 'cắt' cây này tại một mức độ phù hợp.

Phương án A không đúng vì việc chọn số lượng cụm k trên hộp thoại không trực tiếp áp dụng cho thuật toán phân cụm phân cấp trong Orange (nếu sử dụng các widget mặc định). Phương án B không đúng vì việc chọn phương pháp tính khoảng cách là một bước chuẩn bị trước khi chạy thuật toán, chứ không phải là cách để có được số lượng cụm mong muốn sau khi thuật toán đã chạy. Phương án D không đúng vì ta cần thực hiện một thao tác để xác định số lượng cụm mong muốn.

Phương án C là đáp án đúng. Sau khi thuật toán HAC đã tạo ra cây phân cấp, ta cần chọn một đường cắt (cut) trên cây này. Vị trí của đường cắt sẽ quyết định số lượng cụm cuối cùng. Mỗi nhánh con của cây tại đường cắt sẽ đại diện cho một cụm.