Tiền xử lý dữ liệu không bao gồm các bước nào sau đây?

Có nhiều cách để xử lý dữ liệu bị thiếu, tùy thuộc vào bản chất của dữ liệu và mục đích phân tích. Tuy nhiên, có 3 cách phổ biến nhất: 1. **Loại bỏ các bản ghi/thuộc tính chứa giá trị thiếu:** Cách này đơn giản nhưng có thể dẫn đến mất thông tin quan trọng nếu số lượng giá trị thiếu lớn. 2. **Điền giá trị thiếu (Imputation):** Thay thế giá trị thiếu bằng một giá trị ước tính. Các phương pháp điền giá trị bao gồm sử dụng giá trị trung bình, trung vị, mode, hoặc các mô hình dự đoán. 3. **Sử dụng các thuật toán máy học có khả năng xử lý dữ liệu thiếu:** Một số thuật toán có thể hoạt động hiệu quả ngay cả khi có dữ liệu thiếu. Do đó, đáp án chính xác nhất là 3.

Rời rạc hóa dữ liệu (discretization) là quá trình chuyển đổi dữ liệu số (numerical data) thành dữ liệu rời rạc (discrete data), thường là các khoảng hoặc các nhóm. Việc này thường được thực hiện khi: 1. **Dữ liệu thuộc kiểu số học:** Các thuật toán khai thác dữ liệu hoặc học máy nhất định hoạt động tốt hơn với dữ liệu rời rạc hơn là dữ liệu số liên tục. Việc rời rạc hóa giúp đơn giản hóa dữ liệu, giảm số lượng giá trị khác biệt và có thể cải thiện hiệu suất của mô hình. Các lựa chọn khác không đúng vì: * **Dữ liệu bị thiếu:** Xử lý dữ liệu bị thiếu là một vấn đề riêng biệt, thường được giải quyết bằng cách điền giá trị hoặc loại bỏ các bản ghi bị thiếu. * **Dữ liệu thuộc kiểu định danh:** Dữ liệu định danh (categorical data) đã là rời rạc, không cần rời rạc hóa thêm. * **Dữ liệu thuộc kiểu nhị phân:** Dữ liệu nhị phân cũng đã là rời rạc, với chỉ hai giá trị có thể (0 hoặc 1).

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".

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.