Phân lớp dữ liệu là thuộc phương pháp:

Trong Orange, biến kiểu categorical (phân loại) dùng để biểu diễn các thuộc tính rời rạc. Các thuộc tính này thường đại diện cho các nhóm, loại hoặc nhãn khác nhau, không mang tính liên tục hay định lượng. Ví dụ: màu sắc (đỏ, xanh, vàng), giới tính (nam, nữ), hoặc loại sản phẩm (điện tử, quần áo, thực phẩm).

Đánh giá ngoài (external evaluation) so sánh kết quả phân cụm với một "ground truth", tức là một tập các nhãn đã biết trước. Mục tiêu là đánh giá xem các cụm tìm được có khớp với cấu trúc thực tế của dữ liệu hay không. Vì câu hỏi đề cập đến việc so sánh kết quả giữa *các* mô hình, nghĩa là ta đang so sánh với một chuẩn mực hoặc một kết quả mong muốn nào đó, nên đây là đánh giá ngoài. Đánh giá trong (internal evaluation) chỉ dựa trên dữ liệu và kết quả phân cụm mà không so sánh với bất kỳ thông tin bên ngoài nào.

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).