Trong mô hình Random Forest, việc chọn feature cho mỗi cây con được thực hiện như thế nào?

Câu hỏi này kiểm tra kiến thức về các thuật toán học máy và ứng dụng của chúng trong bài toán phân loại.

A. K-means: Là thuật toán phân cụm, không phải phân loại. K-means tìm cách chia dữ liệu thành các cụm dựa trên khoảng cách giữa các điểm dữ liệu.

B. Linear Regression: Là thuật toán hồi quy tuyến tính, được sử dụng để dự đoán giá trị liên tục, không phải để phân loại.

C. Decision Tree: Là một thuật toán phân loại. Decision Tree xây dựng một cây quyết định dựa trên các đặc trưng của dữ liệu để phân loại các điểm dữ liệu vào các lớp khác nhau.

D. KNN (K-Nearest Neighbors): Là một thuật toán phân loại dựa trên khoảng cách. KNN phân loại một điểm dữ liệu dựa trên lớp của K điểm dữ liệu gần nhất.

Vậy, cả Decision Tree và KNN đều là thuật toán phân loại. Tuy nhiên, theo thứ tự đáp án, Decision Tree xuất hiện trước.

Câu hỏi yêu cầu tìm cách tạo một danh sách mới (L2) từ danh sách ban đầu (L1) sao cho L2 chỉ chứa các phần tử duy nhất (không lặp lại) từ L1.

Phương án A: L2 = numpy.remove_duplicate(L1). Phương án này sai vì không có hàm remove_duplicate trong thư viện NumPy. Hàm đúng phải là numpy.unique(L1).

Phương án B: L2 = L1.remove_duplicate(). Phương án này sai vì list trong Python không có phương thức remove_duplicate().

Phương án C: L2 = list.remove_duplicate(L1). Tương tự như phương án B, phương án này cũng sai vì kiểu list không có hàm static hoặc class method nào tên là remove_duplicate.

Phương án D: L2 = list(set(L1)). Phương án này đúng vì:

• set(L1): Tạo một tập hợp (set) từ danh sách L1. Tập hợp trong Python chỉ chứa các phần tử duy nhất, loại bỏ các phần tử trùng lặp.
• list(...): Chuyển đổi tập hợp kết quả trở lại thành một danh sách.

Vì vậy, phương án D là cách chính xác để tạo danh sách L2 từ L1 mà không có phần tử lặp lại.