Phân lớp dữ liệu là thuộc phương pháp:

Không giám sát

Bán giám sát

Có giám sát

Phương pháp lai

Trả lời:

Đáp án đúng: C

Phân lớp dữ liệu (classification) là một phương pháp học có giám sát (supervised learning). Trong học có giám sát, chúng ta sử dụng một tập dữ liệu đã được gán nhãn (labeled dataset) để huấn luyện mô hình. Mục tiêu là mô hình có thể dự đoán đúng nhãn (class) cho các dữ liệu mới chưa được gán nhãn. Do đó, đáp án đúng là "Có giám sát".

Ngân hàng câu hỏi trắc nghiệm Quản lý học có đáp án

43 câu hỏi 60 phút

Bắt đầu thi

Câu hỏi liên quan

Câu 1:

Thuật toán phân lớp tham gia vào quá trình nào sau đây trong mô hình phân lớp dữ liệu?

Lời giải:

Đáp án đúng: D

Trong mô hình phân lớp dữ liệu, thuật toán phân lớp được sử dụng chủ yếu trong quá trình huấn luyện. Quá trình huấn luyện sử dụng một tập dữ liệu đã được gán nhãn để xây dựng một mô hình phân lớp. Mô hình này sau đó có thể được sử dụng để dự đoán nhãn cho các dữ liệu mới chưa được gán nhãn. Kiểm thử được sử dụng để đánh giá hiệu suất của mô hình đã được huấn luyện. Đánh giá là bước xem xét tổng thể chất lượng của mô hình. Dự đoán là bước sử dụng mô hình đã huấn luyện để phân loại dữ liệu mới.

Câu 1:

Thuật toán phân lớp nào sau đây cho phép xử lý trên nhiều kiểu/loại dữ liệu khác nhau?

Lời giải:

Đáp án đúng: B

Cây quyết định có thể xử lý nhiều kiểu dữ liệu khác nhau (numerical, categorical) mà không yêu cầu tiền xử lý phức tạp như các thuật toán khác (ví dụ, SVM và Logistic Regression thường yêu cầu dữ liệu numerical). Mạng nơ-ron cũng có thể xử lý nhiều loại dữ liệu, nhưng cần được thiết kế và huấn luyện phù hợp với từng loại dữ liệu đó, và việc này thường phức tạp hơn so với cây quyết định.

Câu 1:

Trong Orange, biến có kiểu dữ liệu categorical là để chỉ các thuộc tính:

Lời giải:

Đáp án đúng: B

Biến kiểu categorical, hay còn gọi là biến định tính, được sử dụng để biểu diễn các thuộc tính rời rạc (discrete). Các giá trị của biến categorical thường đại diện cho các nhóm hoặc các loại khác nhau, ví dụ: màu sắc (đỏ, xanh, vàng), giới tính (nam, nữ), hoặc loại sản phẩm (A, B, C). Các thuộc tính liên tục (continuous) là các thuộc tính có thể nhận bất kỳ giá trị nào trong một khoảng, ví dụ: chiều cao, cân nặng. Các thuộc tính định lượng (quantitative) liên quan đến số lượng, nhưng không nhất thiết phải rời rạc. Các thuộc tính số học (arithmetic) chỉ đơn thuần là các phép toán số học.

Câu 1:

Đối với bài toán phân lớp đa nhãn thì chỉ số đánh giá nào thường được dùng để đánh giá độ hiệu quả của mô hình phân lớp?

Lời giải:

Đáp án đúng: C

Trong bài toán phân lớp đa nhãn, một mẫu có thể thuộc nhiều hơn một lớp. Do đó, các chỉ số đánh giá như Precision, Recall và F1-score (đặc biệt là các phiên bản macro, micro, weighted của chúng) thường được sử dụng để đánh giá hiệu quả mô hình. Accuracy, mặc dù là một chỉ số phổ biến, nhưng ít phù hợp hơn trong trường hợp đa nhãn vì nó đánh giá sự chính xác tổng thể trên tất cả các nhãn, mà không xem xét đến việc dự đoán đúng các nhãn riêng lẻ cho mỗi mẫu. F1-score là trung bình điều hòa của Precision và Recall, cung cấp một đánh giá cân bằng hơn về hiệu suất của mô hình, đặc biệt khi có sự mất cân bằng giữa các lớp.

Câu 1:

Giá trị a[i;j] trong ma trận nhầm lẫn (confusion matrix) cho biết:

Lời giải:

Đáp án đúng: B

Ma trận nhầm lẫn (confusion matrix) là một công cụ quan trọng để đánh giá hiệu suất của các mô hình phân loại. Trong ma trận này:

- Hàng (i) thường đại diện cho lớp thực tế (actual class).
- Cột (j) thường đại diện cho lớp dự đoán (predicted class).

Giá trị a[i;j] tại vị trí (i, j) trong ma trận nhầm lẫn thể hiện số lượng các mẫu thực tế thuộc lớp i mà mô hình đã dự đoán là thuộc lớp j. Nói cách khác, nó cho biết số lượng mẫu thuộc lớp 'i' bị phân loại nhầm vào lớp 'j'.

Như vậy, phương án 2 là đáp án chính xác.

Câu 1:

Phương pháp chọn mẫu dữ liệu nào sau đây dùng để khắc phục tình trạng over-fitting?

Lời giải: