Khi nào thì ta cần rời rạc hóa dữ liệu?

Dữ liệu bị thiếu

Dữ liệu thuộc kiểu số học

Dữ liệu thuộc kiểu định danh

Dữ liệu thuộc kiểu nhị phân

Trả lời:

Đáp án đúng: B

Rời rạc hóa dữ liệu (discretization) là quá trình chuyển đổi dữ liệu từ dạng liên tục (ví dụ: số thực) sang dạng rời rạc (ví dụ: các khoảng giá trị hoặc các nhóm). Việc này thường được thực hiện khi dữ liệu thuộc kiểu số học (numerical data) và ta muốn chuyển nó sang dạng phù hợp hơn cho một số thuật toán học máy hoặc phân tích dữ liệu, đặc biệt là những thuật toán hoạt động tốt hơn với dữ liệu phân loại. Ví dụ, một thuật toán có thể hoạt động tốt hơn với các nhóm tuổi (trẻ, trung niên, già) thay vì độ tuổi chính xác. Các lựa chọn khác không phải là lý do chính để rời rạc hóa dữ liệu. Dữ liệu thiếu cần được xử lý bằng các phương pháp khác. Dữ liệu định danh đã là rời rạc. Dữ liệu nhị phân cũng đã là rời rạc.

100+ câu hỏi trắc nghiệm Khoa học dữ liệu trong kinh tế và kinh doanh có đáp án giải thích dễ hiểu - Phần 1

50 câu hỏi 60 phút

Bắt đầu thi

Câu hỏi liên quan

Câu 39:

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

Thuật toán phân lớp được sử dụng trong quá trình huấn luyện (training) mô hình. Trong quá trình huấn luyện, thuật toán sẽ học từ dữ liệu huấn luyện để xây dựng một mô hình có khả năng phân loại các đối tượng mới. Các quá trình kiểm thử, đánh giá và dự đoán sử dụng mô hình đã được huấn luyện.

Câu 40:

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 cần chuẩn hóa dữ liệu. Các thuật toán khác như SVM, Logistic Regression thường yêu cầu dữ liệu numerical và có thể cần chuẩn hóa. Mạng nơ-ron cũng có thể xử lý nhiều kiểu dữ liệu, nhưng việc thiết kế kiến trúc mạng phù hợp cho các kiểu dữ liệu khác nhau có thể phức tạp hơn so với cây quyết định.

Câu 41:

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 lớp khác nhau. Do đó, các chỉ số đánh giá như Accuracy (độ chính xác) không phù hợp vì nó chỉ đo lường số lượng dự đoán đúng trên tổng số dự đoán, mà không xem xét việc dự đoán đúng một phần các nhãn của một mẫu. Precision (độ chuẩn xác), Recall (độ phủ) và F1-score đều là các chỉ số quan trọng. Tuy nhiên, F1-score là trung bình điều hòa của Precision và Recall, nên nó cung cấp một cái nhìn tổng quan hơn về hiệu suất của mô hình, cân bằng giữa việc dự đoán chính xác các nhãn và việc tìm ra tất cả các nhãn liên quan đến một mẫu. Vì vậy, F1-score thường được sử dụng để đánh giá hiệu quả của mô hình phân lớp đa nhãn.

Câu 42:

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 bảng được sử dụng để đánh giá hiệu suất của một mô hình phân loại. Giá trị a[i, j] trong ma trận nhầm lẫn thể hiện số lượng mẫu thực tế thuộc lớp i mà mô hình đã dự đoán là lớp j. Do đó, đáp án đúng là: Số lượng mẫu i được phân nhầm vào mẫu j.

Câu 43:

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

Lời giải:

Đáp án đúng: C

Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến việc nó hoạt động tốt trên dữ liệu huấn luyện nhưng lại kém hiệu quả trên dữ liệu mới. Đánh giá chéo (k-fold cross validation) là một kỹ thuật được sử dụng để ước tính hiệu suất của mô hình trên dữ liệu chưa thấy bằng cách chia dữ liệu thành k phần, huấn luyện mô hình trên k-1 phần và kiểm tra trên phần còn lại, rồi lặp lại quá trình này k lần. Điều này giúp đánh giá mô hình một cách khách quan hơn và phát hiện overfitting. Các phương pháp chọn mẫu khác như chọn mẫu ngẫu nhiên (random sampling) hay hold-out chỉ đơn giản là chia dữ liệu thành tập huấn luyện và tập kiểm tra, nhưng không cung cấp một ước tính vững chắc về hiệu suất của mô hình như đánh giá chéo. Việc huấn luyện và kiểm thử trên cùng một tập dữ liệu chắc chắn sẽ dẫn đến overfitting vì mô hình sẽ "học thuộc" dữ liệu.

Câu 44:

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:

Lời giải: