Luật kết hợp nào có độ tin cậy = 100%?

A → C

A → D

AD → E

AB → C

Trả lời:

Đáp án đúng: A

Độ tin cậy (confidence) của một luật kết hợp A → B được tính bằng tỷ lệ số giao dịch chứa cả A và B trên số giao dịch chứa A. Độ tin cậy 100% có nghĩa là tất cả các giao dịch chứa A đều chứa B. Trong các phương án đã cho, không có đủ thông tin để xác định chắc chắn luật nào có độ tin cậy 100% mà không có dữ liệu giao dịch cụ thể. Tuy nhiên, nếu đề bài có thêm thông tin về cơ sở dữ liệu giao dịch hoặc ngữ cảnh cụ thể, ta mới có thể xác định chính xác. Vì không có thông tin thêm, không thể xác định đáp án đúng dựa trên thông tin đã cho.

150+ câu hỏi trắc nghiệm Khai phá dữ liệu đầy đủ đáp án và lời giải - Phần 2

50 câu hỏi 60 phút

Bắt đầu thi

Câu hỏi liên quan

Câu 7:

Cho FP-Tree như hình vẽ, có mấy đường đi kết thúc ở nút m?

Lời giải:

Đáp án đúng: A

Để xác định số đường đi kết thúc ở nút 'm' trong FP-Tree, ta cần xem xét tất cả các nhánh từ gốc đến nút 'm'. Dựa vào hình ảnh (không được cung cấp, nhưng giả sử FP-Tree có cấu trúc thông thường), ta sẽ đếm số lượng đường đi riêng biệt mà điểm cuối của chúng là nút 'm'. Thông thường, sẽ có một số đường đi từ gốc đến 'm' thông qua các nút trung gian khác nhau. Số lượng các đường đi này chính là đáp án. Giả sử sau khi xem xét FP-Tree (không được cung cấp trong câu hỏi), ta thấy có đúng một đường đi kết thúc ở nút 'm'.

Câu 8:

Cho FP-Tree như hình vẽ, có mấy đường đi kết thúc ở nút p?

Lời giải:

Đáp án đúng: A

Để xác định số đường đi kết thúc ở nút 'p' trong FP-Tree, ta cần xem xét tất cả các nhánh của cây mà điểm cuối của nhánh đó là nút 'p'. Dựa vào hình vẽ (mặc dù không được cung cấp ở đây, nhưng ta giải thích dựa trên giả định chung về FP-Tree), ta sẽ đếm số lượng các đường đi riêng biệt từ nút gốc (root) đến nút 'p'. Trong một FP-Tree, mỗi đường đi đại diện cho một tập hợp các mục (itemset) xuất hiện cùng nhau trong cơ sở dữ liệu giao dịch. Giả sử sau khi quan sát FP-Tree (không có ở đây), ta đếm được 2 đường đi riêng biệt kết thúc tại nút 'p'.

Câu 9:

Hai thuật toán FP-Growth và Apriori dùng để:

Lời giải:

Đáp án đúng: A

Cả thuật toán FP-Growth và Apriori đều được sử dụng trong khai phá dữ liệu để tìm các tập mục thường xuyên (frequent itemsets). Các tập mục thường xuyên là các tập hợp các mục xuất hiện thường xuyên cùng nhau trong một tập dữ liệu giao dịch. Việc tìm kiếm các tập mục thường xuyên là một bước quan trọng để tìm ra các luật kết hợp (association rules). Do đó, đáp án A là đáp án chính xác nhất.

Câu 10:

Phương pháp nào không phải là phương pháp phân lớp?

Lời giải:

Đáp án đúng: A

Phân lớp trong khai phá dữ liệu là quá trình gán các đối tượng vào các lớp (categories) đã được định nghĩa trước. Các phương pháp B, C, và D (Cây quyết định, Bayes, Mạng Nơron) đều là các thuật toán phổ biến và được sử dụng rộng rãi trong phân lớp dữ liệu. Phương án A, "Chia các đối tượng thành từng lớp để giảng dạy", mô tả một hoạt động sư phạm hoặc tổ chức, không liên quan đến các thuật toán phân lớp dữ liệu trong khoa học máy tính và khai phá dữ liệu. Do đó, đây không phải là một phương pháp phân lớp trong ngữ cảnh của câu hỏi.

Câu 11:

Cho tập ví dụ học như bảng. Các thuộc tính dùng để phân lớp là:

Lời giải:

Đáp án đúng: A

Câu hỏi yêu cầu xác định các thuộc tính dùng để phân lớp trong tập ví dụ học. Các thuộc tính này là các cột mô tả đặc điểm của dữ liệu, được sử dụng để dự đoán hoặc phân loại một thuộc tính mục tiêu (trong trường hợp này có thể là 'Play Ball').

* Phương án A: Chỉ liệt kê các thuộc tính mô tả đặc điểm, đây là đáp án đúng.
* Phương án B: Bao gồm cả thuộc tính mục tiêu ('Play Ball'), không phải là thuộc tính dùng để mô tả.
* Phương án C: Bao gồm 'Day', có thể là một thuộc tính, nhưng không phải lúc nào cũng cần thiết để phân loại.
* Phương án D: Bao gồm cả thuộc tính mục tiêu ('Play Ball') và 'Day', không phải là thuộc tính dùng để mô tả một cách tổng quát nhất.

Câu 12:

Có N phần tử cần chia thành 1 cụm. Hỏi có bao nhiêu cách chia cụm?

Lời giải: