1. Trong ngữ cảnh của khai phá dữ liệu, thuật ngữ ‘outlier’ (giá trị ngoại lệ) đề cập đến điều gì?
A. Các giá trị dự đoán sai bởi mô hình.
B. Các giá trị không có trong tập dữ liệu.
C. Các giá trị khác biệt đáng kể so với phần lớn các giá trị khác trong tập dữ liệu.
D. Các giá trị bị thiếu trong tập dữ liệu.
2. Mục tiêu chính của việc sử dụng các kỹ thuật khai phá dữ liệu trong lĩnh vực marketing là gì?
A. Giảm chi phí lưu trữ dữ liệu.
B. Tăng cường bảo mật dữ liệu khách hàng.
C. Cải thiện khả năng dự đoán hành vi khách hàng, cá nhân hóa trải nghiệm và tăng hiệu quả các chiến dịch marketing.
D. Tự động hóa quy trình báo cáo marketing.
3. Khi nào thì việc sử dụng ‘PCA (Principal Component Analysis)’ trở nên hữu ích trong khai phá dữ liệu?
A. Khi cần phân loại dữ liệu thành các nhóm khác nhau.
B. Khi cần giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng.
C. Khi cần tìm ra các luật kết hợp giữa các mục dữ liệu.
D. Khi cần dự đoán giá trị của một biến số dựa trên các biến số khác.
4. Trong khai phá dữ liệu, ‘recall’ (độ phủ) là gì và nó quan trọng trong trường hợp nào?
A. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp được dự đoán.
B. Tỷ lệ các trường hợp dự đoán đúng là dương tính trên tổng số các trường hợp thực tế là dương tính, quan trọng khi cần giảm thiểu các trường hợp bỏ sót.
C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.
5. Trong khai phá dữ liệu, thuật toán nào thường được sử dụng để phân loại dữ liệu dựa trên một tập hợp các luật được xây dựng từ dữ liệu huấn luyện?
A. K-means
B. Apriori
C. Decision Tree (Cây quyết định)
D. PCA (Principal Component Analysis)
6. Trong khai phá dữ liệu, phương pháp nào thường được sử dụng để giảm số lượng chiều dữ liệu, giúp đơn giản hóa mô hình và giảm overfitting?
A. Chuẩn hóa dữ liệu (Data Normalization)
B. Rút gọn chiều dữ liệu (Dimensionality Reduction)
C. Phân tích tương quan (Correlation Analysis)
D. Làm sạch dữ liệu (Data Cleaning)
7. Khi nào thì việc sử dụng phương pháp ‘làm sạch dữ liệu’ (data cleaning) trở nên đặc biệt quan trọng trong quá trình khai phá dữ liệu?
A. Khi dữ liệu đã được chuẩn hóa hoàn toàn.
B. Khi dữ liệu chứa nhiều giá trị thiếu, nhiễu hoặc không nhất quán.
C. Khi dữ liệu đã được chuyển đổi sang định dạng phù hợp.
D. Khi dữ liệu có kích thước nhỏ và dễ quản lý.
8. Trong khai phá dữ liệu, ‘cross-selling’ (bán chéo) là gì và nó được thực hiện như thế nào?
A. Bán sản phẩm với giá thấp hơn để thu hút khách hàng mới.
B. Giới thiệu các sản phẩm hoặc dịch vụ liên quan đến sản phẩm mà khách hàng đã mua hoặc quan tâm, thường dựa trên phân tích luật kết hợp.
C. Tập trung vào việc bán các sản phẩm cao cấp hơn cho khách hàng hiện tại.
D. Cung cấp các chương trình khuyến mãi đặc biệt cho khách hàng thân thiết.
9. Trong các thuật toán phân cụm, thuật toán nào yêu cầu xác định trước số lượng cụm (k) cần tìm?
A. Apriori
B. K-means
C. PCA (Principal Component Analysis)
D. Support Vector Machine (SVM)
10. Trong các phương pháp đánh giá mô hình khai phá dữ liệu, phương pháp nào chia dữ liệu thành tập huấn luyện và tập kiểm tra để đánh giá khả năng tổng quát hóa của mô hình?
A. Phân tích phương sai (ANOVA)
B. Kiểm định giả thuyết (Hypothesis Testing)
C. Cross-validation (Kiểm định chéo)
D. Phân tích hồi quy (Regression Analysis)
11. Trong khai phá dữ liệu, ‘overfitting’ xảy ra khi nào?
A. Mô hình quá đơn giản và không thể nắm bắt được các mẫu trong dữ liệu.
B. Mô hình học quá kỹ các chi tiết nhiễu trong dữ liệu huấn luyện, dẫn đến kém hiệu quả trên dữ liệu mới.
C. Dữ liệu huấn luyện không đủ lớn để xây dựng một mô hình chính xác.
D. Quá trình tiền xử lý dữ liệu không được thực hiện đúng cách.
12. Khi nào thì việc sử dụng ‘support vector machine (SVM)’ trở nên phù hợp trong khai phá dữ liệu?
A. Khi dữ liệu có số lượng đặc trưng rất lớn và mối quan hệ giữa các đặc trưng là tuyến tính.
B. Khi cần một mô hình đơn giản và dễ giải thích.
C. Khi cần một mô hình có khả năng xử lý dữ liệu phi tuyến tính tốt và có độ chính xác cao.
D. Khi cần giảm số lượng chiều dữ liệu.
13. Trong khai phá dữ liệu, thuật ngữ ‘precision’ (độ chính xác) là gì và nó quan trọng trong trường hợp nào?
A. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp thực tế.
B. Tỷ lệ các trường hợp dự đoán đúng là dương tính trên tổng số các trường hợp được dự đoán là dương tính, quan trọng khi cần giảm thiểu các dự đoán sai là dương tính.
C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.
14. Trong khai phá dữ liệu, thuật ngữ ‘bias’ (độ lệch) trong mô hình học máy đề cập đến điều gì?
A. Sự khác biệt giữa kết quả dự đoán của mô hình và giá trị thực tế.
B. Xu hướng của mô hình học máy để đơn giản hóa quá mức dữ liệu, dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
C. Khả năng của mô hình để khái quát hóa tốt trên dữ liệu mới.
D. Mức độ phức tạp của mô hình học máy.
15. Phương pháp nào sau đây giúp giảm thiểu tác động của các giá trị ngoại lệ (outliers) trong quá trình xây dựng mô hình khai phá dữ liệu?
A. Chuẩn hóa dữ liệu (Data Normalization) hoặc Rút gọn chiều dữ liệu (Dimensionality Reduction)
B. Làm sạch dữ liệu (Data Cleaning) và sử dụng các thuật toán mạnh mẽ với outliers.
C. Phân tích tương quan (Correlation Analysis)
D. Trực quan hóa dữ liệu (Data Visualization)
16. Thuật ngữ nào mô tả quá trình chuyển đổi dữ liệu thô sang định dạng phù hợp hơn cho việc phân tích, bao gồm làm sạch, chuyển đổi và tích hợp dữ liệu?
A. Trực quan hóa dữ liệu (Data Visualization)
B. Khai phá dữ liệu (Data Mining)
C. Tiền xử lý dữ liệu (Data Preprocessing)
D. Phân tích hồi quy (Regression Analysis)
17. Phương pháp nào sau đây được sử dụng để đánh giá hiệu suất của một mô hình phân loại?
A. RMSE (Root Mean Squared Error)
B. Độ chính xác (Accuracy), Precision, Recall, F1-score
C. MAE (Mean Absolute Error)
D. R-squared
18. Trong khai phá dữ liệu, kỹ thuật ‘clustering’ (phân cụm) được sử dụng để làm gì?
A. Dự đoán giá trị của một biến số dựa trên các biến số khác.
B. Phân loại dữ liệu vào các nhóm đã được định nghĩa trước.
C. Tìm ra các nhóm dữ liệu tương tự nhau dựa trên các đặc điểm của chúng.
D. Tìm ra các luật kết hợp giữa các mục dữ liệu.
19. Một siêu thị muốn tối ưu hóa việc sắp xếp hàng hóa trên kệ để tăng doanh số bán hàng. Kỹ thuật khai phá dữ liệu nào có thể giúp họ đạt được mục tiêu này?
A. Phân tích hồi quy (Regression Analysis)
B. Phân tích luật kết hợp (Association Rule Mining) để tìm ra các sản phẩm thường được mua cùng nhau.
C. Phân cụm (Clustering) để phân nhóm khách hàng.
D. Phân loại (Classification) để dự đoán hành vi khách hàng.
20. Một công ty muốn dự đoán khả năng khách hàng rời bỏ (churn) dịch vụ của họ. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết vấn đề này?
A. Phân tích luật kết hợp (Association Rule Mining)
B. Phân tích hồi quy (Regression Analysis)
C. Phân loại (Classification)
D. Phân cụm (Clustering)
21. Đâu là một thách thức lớn khi làm việc với dữ liệu lớn (Big Data) trong khai phá dữ liệu?
A. Thiếu các thuật toán khai phá dữ liệu phù hợp.
B. Khó khăn trong việc lưu trữ, xử lý và phân tích dữ liệu với tốc độ và quy mô lớn.
C. Chi phí phần mềm khai phá dữ liệu quá cao.
D. Sự thiếu hụt nhân lực có kỹ năng khai phá dữ liệu.
22. Trong khai phá dữ liệu, thuật ngữ ‘feature engineering’ (kỹ thuật đặc trưng) đề cập đến điều gì?
A. Quá trình lựa chọn các thuật toán khai phá dữ liệu phù hợp nhất.
B. Quá trình biến đổi và tạo ra các đặc trưng mới từ dữ liệu hiện có để cải thiện hiệu suất của mô hình.
C. Quá trình loại bỏ các đặc trưng không liên quan khỏi dữ liệu.
D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các đặc trưng.
23. Khi nào thì việc sử dụng ‘random forest’ (rừng ngẫu nhiên) trở nên phù hợp trong khai phá dữ liệu?
A. Khi dữ liệu có ít đặc trưng và mối quan hệ giữa các đặc trưng là tuyến tính.
B. Khi cần một mô hình đơn giản và dễ giải thích.
C. Khi cần một mô hình có độ chính xác cao và khả năng xử lý dữ liệu phức tạp tốt.
D. Khi cần giảm số lượng chiều dữ liệu.
24. Trong khai phá dữ liệu, thuật ngữ ‘F1-score’ là gì và nó được tính như thế nào?
A. Trung bình cộng của precision và recall.
B. Trung bình điều hòa của precision và recall, F1-score = 2 * (precision * recall) / (precision + recall).
C. Tỷ lệ các trường hợp dự đoán đúng trên tổng số các trường hợp.
D. Tỷ lệ các trường hợp dự đoán sai trên tổng số các trường hợp.
25. Một công ty muốn phân tích ý kiến của khách hàng về sản phẩm của họ từ các bình luận trên mạng xã hội. Kỹ thuật khai phá dữ liệu nào phù hợp nhất để giải quyết vấn đề này?
A. Phân tích luật kết hợp (Association Rule Mining)
B. Phân tích tình cảm (Sentiment Analysis)
C. Phân cụm (Clustering)
D. Phân loại (Classification)
26. Phương pháp nào trong khai phá dữ liệu được sử dụng để tìm ra các mối quan hệ hoặc quy luật phổ biến giữa các mục dữ liệu trong một tập dữ liệu lớn, ví dụ như phân tích giỏ hàng?
A. Phân tích hồi quy (Regression Analysis)
B. Phân tích luật kết hợp (Association Rule Mining)
C. Phân tích phương sai (ANOVA)
D. Phân tích chuỗi thời gian (Time Series Analysis)
27. Trong khai phá dữ liệu, thuật ngữ ‘ensemble learning’ (học tập kết hợp) đề cập đến điều gì?
A. Quá trình kết hợp nhiều mô hình học máy khác nhau để cải thiện hiệu suất tổng thể.
B. Quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu.
C. Quá trình làm sạch và tiền xử lý dữ liệu.
D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các mẫu.
28. Kỹ thuật nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu trong quá trình tiền xử lý dữ liệu?
A. Phân tích hồi quy (Regression Analysis)
B. Thay thế bằng giá trị trung bình, trung vị hoặc một giá trị mặc định.
C. Phân tích phương sai (ANOVA)
D. Trực quan hóa dữ liệu (Data Visualization)
29. Trong khai phá dữ liệu, ‘regularization’ (chính quy hóa) là gì và nó được sử dụng để làm gì?
A. Quá trình chuẩn hóa dữ liệu để có phân phối Gaussian.
B. Kỹ thuật thêm một hình phạt vào hàm mất mát để ngăn chặn overfitting bằng cách giảm độ phức tạp của mô hình.
C. Quá trình lựa chọn các đặc trưng quan trọng nhất từ dữ liệu.
D. Quá trình trực quan hóa dữ liệu để hiểu rõ hơn về các mẫu.
30. Trong phân tích luật kết hợp, độ đo ‘support’ (hỗ trợ) của một luật cho biết điều gì?
A. Xác suất luật đó là đúng.
B. Tần suất xuất hiện của các mục trong luật trong tập dữ liệu.
C. Độ tin cậy của luật.
D. Mức độ quan trọng của luật đối với người dùng.
31. Trong khai phá dữ liệu, mục tiêu chính của việc lựa chọn đặc trưng (feature selection) là gì?
A. Tăng kích thước của tập dữ liệu.
B. Giảm số lượng đặc trưng không liên quan hoặc dư thừa.
C. Tăng độ phức tạp của mô hình.
D. Giảm thời gian tiền xử lý dữ liệu.
32. Trong khai phá dữ liệu, phương pháp nào thường được sử dụng để giảm số lượng chiều dữ liệu, đồng thời giữ lại thông tin quan trọng nhất?
A. Phân tích hồi quy
B. Phân tích phương sai (ANOVA)
C. Giảm chiều dữ liệu (Dimensionality Reduction)
D. Phân tích tương quan
33. Kỹ thuật nào sau đây giúp chuyển đổi các biến định tính (categorical variables) thành dạng số để có thể sử dụng trong các thuật toán machine learning?
A. Chuẩn hóa (Normalization)
B. Rời rạc hóa (Discretization)
C. Mã hóa one-hot (One-hot encoding)
D. Giảm chiều (Dimensionality reduction)
34. Trong khai phá dữ liệu, kỹ thuật nào sau đây được sử dụng để khám phá các mẫu tuần tự (sequential patterns) trong dữ liệu?
A. Phân tích hồi quy.
B. Phân tích chuỗi thời gian.
C. Phân tích luật kết hợp.
D. Phân tích cụm.
35. Trong quá trình xây dựng mô hình, việc sử dụng tập kiểm tra (test set) có vai trò gì?
A. Để huấn luyện mô hình.
B. Để tinh chỉnh các tham số của mô hình.
C. Để đánh giá hiệu năng của mô hình trên dữ liệu chưa từng thấy.
D. Để tiền xử lý dữ liệu.
36. Thuật toán nào sau đây thuộc loại thuật toán học có giám sát?
A. K-means
B. Apriori
C. Cây quyết định (Decision Tree)
D. PCA (Principal Component Analysis)
37. Đâu là một ứng dụng phổ biến của khai phá dữ liệu trong lĩnh vực y tế?
A. Dự đoán giá cổ phiếu.
B. Phân tích cảm xúc khách hàng.
C. Phát hiện gian lận trong bảo hiểm.
D. Dự đoán nguy cơ mắc bệnh dựa trên hồ sơ bệnh án.
38. Trong bối cảnh phân tích cảm xúc (sentiment analysis), kỹ thuật nào được sử dụng để xác định thái độ hoặc ý kiến chủ quan được thể hiện trong một đoạn văn bản?
A. Phân tích cú pháp
B. Phân tích hình thái
C. Xử lý ngôn ngữ tự nhiên (NLP)
D. Phân tích hồi quy
39. Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu trong quá trình tiền xử lý?
A. Chuẩn hóa dữ liệu
B. Rời rạc hóa dữ liệu
C. Loại bỏ các bản ghi chứa giá trị thiếu
D. Giảm chiều dữ liệu
40. Trong ngữ cảnh của khai phá dữ liệu, thuật ngữ ‘curse of dimensionality’ đề cập đến vấn đề gì?
A. Sự khó khăn trong việc tìm kiếm các chuyên gia khai phá dữ liệu.
B. Sự gia tăng độ phức tạp và giảm hiệu suất của các thuật toán khi số lượng chiều dữ liệu tăng lên.
C. Sự thiếu hụt dữ liệu chất lượng cao.
D. Sự khó khăn trong việc trực quan hóa dữ liệu đa chiều.
41. Trong khai phá dữ liệu, ‘support’, ‘confidence’ và ‘lift’ là các độ đo được sử dụng trong kỹ thuật nào?
A. Phân cụm (Clustering).
B. Phân loại (Classification).
C. Khai thác luật kết hợp (Association Rule Mining).
D. Hồi quy (Regression).
42. Trong khai phá dữ liệu, mục tiêu của phân tích hồi quy là gì?
A. Phân loại dữ liệu vào các nhóm khác nhau.
B. Dự đoán giá trị của một biến phụ thuộc dựa trên một hoặc nhiều biến độc lập.
C. Tìm kiếm các luật kết hợp giữa các mục trong một tập dữ liệu.
D. Giảm số lượng chiều của dữ liệu.
43. Trong khai phá dữ liệu, ‘overfitting’ xảy ra khi nào?
A. Mô hình quá đơn giản và không thể nắm bắt được các mối quan hệ trong dữ liệu.
B. Mô hình quá phức tạp và học cả nhiễu trong dữ liệu huấn luyện.
C. Dữ liệu huấn luyện không đủ lớn.
D. Dữ liệu kiểm tra và dữ liệu huấn luyện quá giống nhau.
44. Khi nào nên sử dụng thuật toán DBSCAN (Density-Based Spatial Clustering of Applications with Noise) thay vì K-means để phân cụm dữ liệu?
A. Khi biết trước số lượng cụm.
B. Khi các cụm có hình dạng không lồi và mật độ khác nhau.
C. Khi dữ liệu đã được chuẩn hóa.
D. Khi dữ liệu có nhiều chiều.
45. Thuật toán nào sau đây thường được sử dụng để phân cụm dữ liệu dựa trên khoảng cách giữa các điểm dữ liệu?
A. Apriori
B. K-means
C. Cây quyết định (Decision Tree)
D. SVM (Support Vector Machine)
46. Kỹ thuật nào sau đây có thể được sử dụng để giảm overfitting trong mô hình cây quyết định?
A. Tăng chiều dữ liệu.
B. Pruning (cắt tỉa cây).
C. Chuẩn hóa dữ liệu.
D. Mã hóa one-hot.
47. Trong khai phá dữ liệu, thuật ngữ ‘entropy’ thường được sử dụng để đo cái gì?
A. Độ chính xác của mô hình.
B. Độ không chắc chắn hoặc ngẫu nhiên của một biến.
C. Độ phức tạp của thuật toán.
D. Độ tương đồng giữa các cụm.
48. Kỹ thuật nào sau đây được sử dụng để chia một tập dữ liệu thành các nhóm có đặc điểm tương đồng?
A. Phân loại (Classification)
B. Hồi quy (Regression)
C. Phân cụm (Clustering)
D. Khai thác luật kết hợp (Association Rule Mining)
49. Trong machine learning, cross-validation được sử dụng để làm gì?
A. Để tăng kích thước tập dữ liệu huấn luyện.
B. Để đánh giá hiệu năng của mô hình trên dữ liệu mới.
C. Để giảm số lượng features trong tập dữ liệu.
D. Để trực quan hóa dữ liệu.
50. Khi nào nên sử dụng phương pháp lấy mẫu phân tầng (stratified sampling) trong khai phá dữ liệu?
A. Khi dữ liệu đã được chuẩn hóa.
B. Khi muốn đảm bảo rằng mỗi lớp trong dữ liệu được đại diện tỷ lệ trong mẫu.
C. Khi dữ liệu không có giá trị bị thiếu.
D. Khi muốn giảm số lượng chiều của dữ liệu.
51. Khi đánh giá mô hình phân loại, ma trận nhầm lẫn (confusion matrix) cung cấp thông tin gì?
A. Độ phức tạp của mô hình.
B. Số lượng các đặc trưng được sử dụng.
C. Số lượng dự đoán đúng và sai cho mỗi lớp.
D. Thời gian huấn luyện mô hình.
52. Thuật ngữ nào mô tả quá trình chuyển đổi dữ liệu thô sang định dạng phù hợp hơn cho việc phân tích, bao gồm làm sạch, chuyển đổi và tích hợp dữ liệu?
A. Trực quan hóa dữ liệu
B. Tiền xử lý dữ liệu
C. Mô hình hóa dữ liệu
D. Khai thác mẫu
53. Trong khai phá dữ liệu, thuật ngữ ‘bias’ (độ lệch) trong mô hình machine learning có nghĩa là gì?
A. Khả năng của mô hình để khái quát hóa dữ liệu mới.
B. Sự khác biệt giữa dự đoán của mô hình và giá trị thực tế.
C. Xu hướng của mô hình luôn dự đoán sai.
D. Xu hướng của mô hình dự đoán một cách hệ thống sai lệch so với giá trị thực tế.
54. Độ đo nào sau đây được sử dụng để đánh giá hiệu suất của một mô hình phân loại, đặc biệt khi các lớp không cân bằng?
A. Độ chính xác (Accuracy)
B. Độ thu hồi (Recall)
C. Độ đo F1 (F1-score)
D. Độ đo AUC (Area Under the Curve)
55. Đâu là một ví dụ về ứng dụng của khai phá dữ liệu trong lĩnh vực tài chính?
A. Dự đoán thời tiết.
B. Phát hiện gian lận thẻ tín dụng.
C. Phân tích hình ảnh y tế.
D. Tối ưu hóa lịch trình sản xuất.
56. Phương pháp nào sau đây được sử dụng để giảm kích thước tập dữ liệu bằng cách chọn một tập hợp con các bản ghi đại diện?
A. Lấy mẫu (Sampling)
B. Chuẩn hóa (Normalization)
C. Rời rạc hóa (Discretization)
D. Phân cụm (Clustering)
57. Trong khai phá dữ liệu, mục tiêu của việc chuẩn hóa dữ liệu (data normalization) là gì?
A. Chuyển đổi dữ liệu sang định dạng văn bản.
B. Đảm bảo rằng tất cả các đặc trưng có cùng thang đo.
C. Loại bỏ các giá trị bị thiếu.
D. Giảm số lượng chiều của dữ liệu.
58. Trong khai phá dữ liệu, kỹ thuật nào sau đây được sử dụng để dự đoán một giá trị liên tục?
A. Phân loại (Classification)
B. Phân cụm (Clustering)
C. Hồi quy (Regression)
D. Khai thác luật kết hợp (Association Rule Mining)
59. Trong khai phá dữ liệu, kỹ thuật nào được sử dụng để khám phá các mối quan hệ hoặc sự kết hợp giữa các mục trong một tập dữ liệu?
A. Phân cụm (Clustering)
B. Phân loại (Classification)
C. Khai thác luật kết hợp (Association Rule Mining)
D. Hồi quy (Regression)
60. Trong khai phá dữ liệu, kỹ thuật nào sau đây thường được sử dụng để phát hiện các điểm dữ liệu bất thường (outliers) trong một tập dữ liệu?
A. Phân tích tương quan.
B. Phân tích hồi quy.
C. Phân tích thành phần chính (PCA).
D. Phân tích outlier.
61. Trong khai phá dữ liệu, phương pháp nào sau đây thường được sử dụng để phát hiện các điểm dị thường (outliers) trong dữ liệu?
A. Phân tích hồi quy tuyến tính.
B. Phân tích phương sai (ANOVA).
C. K-means clustering.
D. Isolation Forest.
62. Trong khai phá dữ liệu, kỹ thuật nào sau đây có thể được sử dụng để giảm thiểu tác động của các giá trị ngoại lệ (outliers) trong dữ liệu?
A. Chuẩn hóa dữ liệu (Data Normalization).
B. Rời rạc hóa dữ liệu (Data Discretization).
C. Phân tích thành phần chính (PCA).
D. Sử dụng các thuật toán mạnh mẽ (Robust Algorithms).
63. Thuật toán Apriori được sử dụng chủ yếu trong lĩnh vực nào của khai phá dữ liệu?
A. Phân cụm dữ liệu
B. Phân loại dữ liệu
C. Khai thác luật kết hợp
D. Hồi quy
64. Trong khai phá dữ liệu, kỹ thuật nào sau đây thường được sử dụng để làm giảm kích thước của tập dữ liệu bằng cách loại bỏ các thuộc tính không liên quan hoặc dư thừa?
A. Chuẩn hóa dữ liệu (Data Normalization).
B. Lựa chọn thuộc tính (Feature Selection).
C. Phân tích thành phần chính (PCA).
D. Rời rạc hóa dữ liệu (Data Discretization).
65. Đâu là một thách thức lớn khi làm việc với dữ liệu lớn (Big Data) trong khai phá dữ liệu?
A. Sự phức tạp của các thuật toán khai phá dữ liệu.
B. Khả năng mở rộng và hiệu suất tính toán.
C. Sự thiếu hụt các công cụ trực quan hóa dữ liệu.
D. Sự khó khăn trong việc thu thập dữ liệu.
66. Trong khai phá dữ liệu, thuật ngữ ‘curse of dimensionality’ (lời nguyền chiều dữ liệu) đề cập đến vấn đề gì?
A. Sự khó khăn trong việc thu thập dữ liệu từ nhiều nguồn khác nhau.
B. Sự gia tăng đáng kể về độ phức tạp tính toán và yêu cầu về dữ liệu khi số lượng thuộc tính (chiều) tăng lên.
C. Sự thiếu hụt các công cụ trực quan hóa dữ liệu hiệu quả cho dữ liệu nhiều chiều.
D. Sự khó khăn trong việc giải thích kết quả của các mô hình khai phá dữ liệu phức tạp.
67. Phương pháp nào sau đây được sử dụng để đánh giá hiệu quả của một mô hình phân loại?
A. Mean Squared Error
B. Root Mean Squared Error
C. Accuracy
D. R-squared
68. Thuật toán nào sau đây thường được sử dụng để phân cụm dữ liệu dựa trên khoảng cách giữa các điểm dữ liệu?
A. Apriori
B. K-means
C. Decision Tree
D. Support Vector Machine
69. Giả sử bạn có một tập dữ liệu về khách hàng của một cửa hàng trực tuyến, bao gồm thông tin về độ tuổi, giới tính, địa điểm, lịch sử mua hàng, v.v. Bạn muốn phân khúc khách hàng thành các nhóm khác nhau để có thể thực hiện các chiến dịch marketing phù hợp hơn. Phương pháp khai phá dữ liệu nào sẽ phù hợp nhất?
A. Phân loại (Classification).
B. Hồi quy (Regression).
C. Phân cụm (Clustering).
D. Khai thác luật kết hợp (Association Rule Mining).
70. Trong khai phá dữ liệu, kỹ thuật nào được sử dụng để tìm các mối quan hệ giữa các mục trong một tập dữ liệu lớn (ví dụ: các sản phẩm thường được mua cùng nhau trong siêu thị)?
A. Phân tích hồi quy
B. Phân tích tương quan
C. Phân tích kết hợp (Association Rule Mining)
D. Phân tích phương sai
71. Trong khai phá dữ liệu, kỹ thuật nào sau đây thường được sử dụng để xử lý dữ liệu văn bản?
A. Phân tích thành phần chính (PCA).
B. Khai thác luật kết hợp (Association Rule Mining).
C. Xử lý ngôn ngữ tự nhiên (NLP).
D. Phân tích hồi quy (Regression Analysis).
72. Bạn đang làm việc với một tập dữ liệu chứa thông tin về các cuộc gọi dịch vụ khách hàng, bao gồm thời gian cuộc gọi, lý do gọi, mức độ hài lòng của khách hàng, v.v. Bạn muốn xác định các yếu tố nào ảnh hưởng đến mức độ hài lòng của khách hàng. Phương pháp khai phá dữ liệu nào phù hợp nhất?
A. Phân tích tương quan (Correlation Analysis).
B. Phân tích hồi quy (Regression Analysis).
C. Phân tích phương sai (ANOVA).
D. Phân tích chuỗi thời gian (Time Series Analysis).
73. Trong khai phá dữ liệu, mục đích của việc ‘feature engineering’ là gì?
A. Tự động lựa chọn các thuật toán khai phá dữ liệu phù hợp.
B. Cải thiện hiệu suất của mô hình bằng cách tạo ra các thuộc tính mới từ các thuộc tính hiện có.
C. Đảm bảo rằng dữ liệu được thu thập một cách chính xác và đầy đủ.
D. Giảm thiểu kích thước của tập dữ liệu.
74. Khi triển khai một dự án khai phá dữ liệu, bước nào sau đây nên được thực hiện đầu tiên?
A. Lựa chọn thuật toán khai phá dữ liệu.
B. Thu thập và làm sạch dữ liệu.
C. Xác định rõ mục tiêu kinh doanh và các câu hỏi cần trả lời.
D. Xây dựng mô hình và đánh giá hiệu suất.
75. Bạn có một mô hình dự đoán gian lận thẻ tín dụng. Mô hình dự đoán đúng 99% các giao dịch không gian lận, nhưng chỉ dự đoán đúng 50% các giao dịch gian lận. Độ đo nào sau đây quan trọng nhất để đánh giá hiệu suất của mô hình này?
A. Độ chính xác (Accuracy).
B. Độ thu hồi (Recall).
C. Độ chính xác (Precision).
D. F1-score.
76. Trong khai phá dữ liệu, ‘precision’ và ‘recall’ là gì?
A. Hai phương pháp để làm sạch dữ liệu.
B. Hai loại thuật toán phân cụm.
C. Hai độ đo hiệu suất của mô hình phân loại.
D. Hai kỹ thuật giảm chiều dữ liệu.
77. Phương pháp nào sau đây được sử dụng để giảm số lượng thuộc tính bằng cách tạo ra các thuộc tính mới là tổ hợp tuyến tính của các thuộc tính ban đầu?
A. Phân tích hồi quy
B. Phân tích phương sai
C. Phân tích thành phần chính (PCA)
D. Phân tích tương quan
78. Trong khai phá dữ liệu, kỹ thuật nào sau đây thường được sử dụng để dự đoán giá trị của một biến số liên tục dựa trên các biến số khác?
A. Phân loại (Classification).
B. Hồi quy (Regression).
C. Phân cụm (Clustering).
D. Khai thác luật kết hợp (Association Rule Mining).
79. Bạn có một tập dữ liệu về các bài báo khoa học, bao gồm tiêu đề, tóm tắt và nội dung. Bạn muốn tìm các chủ đề chính được thảo luận trong các bài báo này. Kỹ thuật khai phá dữ liệu nào phù hợp nhất?
A. Phân tích tình cảm (Sentiment Analysis).
B. Mô hình hóa chủ đề (Topic Modeling).
C. Phân tích liên kết (Link Analysis).
D. Phân tích chuỗi thời gian (Time Series Analysis).
80. Khi nào thì việc sử dụng một mô hình ‘black box’ (ví dụ: mạng nơ-ron sâu) có thể chấp nhận được trong khai phá dữ liệu?
A. Khi cần giải thích rõ ràng các yếu tố ảnh hưởng đến kết quả dự đoán.
B. Khi độ chính xác của dự đoán là quan trọng hơn khả năng giải thích.
C. Khi dữ liệu có cấu trúc đơn giản và dễ hiểu.
D. Khi cần xây dựng một mô hình có thể được diễn giải bằng ngôn ngữ tự nhiên.
81. Trong khai phá dữ liệu, phương pháp nào thường được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng?
A. Chuẩn hóa dữ liệu
B. Rút gọn dữ liệu (Dimensionality Reduction)
C. Phân tích hồi quy
D. Phân cụm dữ liệu
82. Bạn đang xây dựng một hệ thống gợi ý sản phẩm cho một trang web thương mại điện tử. Bạn muốn gợi ý các sản phẩm mà khách hàng có thể quan tâm dựa trên lịch sử mua hàng của họ. Phương pháp khai phá dữ liệu nào phù hợp nhất?
A. Phân tích chuỗi thời gian (Time Series Analysis).
B. Phân tích tình cảm (Sentiment Analysis).
C. Hệ thống khuyến nghị (Recommender Systems).
D. Phân tích rủi ro (Risk Analysis).
83. Trong bối cảnh khai phá dữ liệu, mục tiêu chính của việc sử dụng kỹ thuật ‘ensemble learning’ là gì?
A. Đơn giản hóa mô hình học máy.
B. Tăng cường độ chính xác và độ tin cậy của mô hình dự đoán.
C. Giảm thiểu thời gian huấn luyện mô hình.
D. Giải thích rõ hơn các yếu tố ảnh hưởng đến kết quả dự đoán.
84. Đâu là một lợi ích chính của việc sử dụng các công cụ trực quan hóa dữ liệu trong khai phá dữ liệu?
A. Tăng tốc độ xử lý dữ liệu.
B. Giúp người dùng hiểu rõ hơn về dữ liệu và các mẫu ẩn.
C. Tự động lựa chọn các thuật toán khai phá dữ liệu phù hợp.
D. Giảm thiểu sai sót trong quá trình thu thập dữ liệu.
85. Trong khai phá dữ liệu, ‘overfitting’ xảy ra khi nào?
A. Mô hình quá đơn giản và không thể nắm bắt được các mối quan hệ trong dữ liệu.
B. Mô hình quá phức tạp và học cả nhiễu trong dữ liệu huấn luyện.
C. Dữ liệu huấn luyện không đủ lớn để huấn luyện mô hình.
D. Dữ liệu kiểm tra khác biệt quá nhiều so với dữ liệu huấn luyện.
86. Kỹ thuật nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu?
A. Rút gọn chiều dữ liệu
B. Thay thế bằng giá trị trung bình hoặc trung vị
C. Phân tích thành phần chính (PCA)
D. Khai thác luật kết hợp
87. Trong quá trình tiền xử lý dữ liệu, ‘chuẩn hóa dữ liệu’ (data normalization) nhằm mục đích gì?
A. Loại bỏ các giá trị bị thiếu trong dữ liệu.
B. Chuyển đổi dữ liệu về một khoảng giá trị chung.
C. Phân loại dữ liệu thành các nhóm khác nhau.
D. Tìm kiếm các mẫu ẩn trong dữ liệu.
88. Khi nào thì việc sử dụng ‘cross-validation’ (kiểm định chéo) trở nên đặc biệt quan trọng trong quá trình xây dựng mô hình khai phá dữ liệu?
A. Khi tập dữ liệu có kích thước rất lớn.
B. Khi cần giảm thiểu thời gian huấn luyện mô hình.
C. Khi muốn giải thích rõ ràng các yếu tố ảnh hưởng đến kết quả dự đoán.
D. Khi tập dữ liệu có kích thước nhỏ và muốn đánh giá chính xác khả năng khái quát hóa của mô hình.
89. Trong khai phá dữ liệu, ‘feature scaling’ (tỉ lệ hóa thuộc tính) là gì và tại sao nó quan trọng?
A. Là quá trình lựa chọn các thuộc tính quan trọng nhất để đưa vào mô hình, quan trọng vì giúp giảm thiểu overfitting.
B. Là quá trình chuyển đổi các thuộc tính về cùng một thang đo, quan trọng vì giúp các thuật toán dựa trên khoảng cách hoạt động tốt hơn.
C. Là quá trình loại bỏ các giá trị thiếu trong dữ liệu, quan trọng vì giúp tránh sai sót trong quá trình phân tích.
D. Là quá trình mã hóa các thuộc tính categorical thành dạng số, quan trọng vì giúp các thuật toán học máy có thể xử lý dữ liệu.
90. Trong ngữ cảnh của cây quyết định (Decision Tree), ‘entropy’ được sử dụng để làm gì?
A. Đo lường độ chính xác của cây.
B. Đo lường độ không chắc chắn hoặc hỗn loạn của một tập dữ liệu.
C. Xác định độ sâu tối đa của cây.
D. Tính toán số lượng nút lá trong cây.
91. Kỹ thuật nào được sử dụng để chuyển đổi các biến liên tục thành các biến rời rạc?
A. Chuẩn hóa dữ liệu
B. Rời rạc hóa dữ liệu
C. Tích hợp dữ liệu
D. Giảm chiều dữ liệu
92. Trong khai phá dữ liệu, ‘feature selection’ là quá trình làm gì?
A. Tự động tạo ra các thuộc tính mới từ dữ liệu hiện có.
B. Chọn một tập hợp con các thuộc tính quan trọng nhất từ dữ liệu.
C. Chuyển đổi dữ liệu sang một định dạng khác.
D. Loại bỏ các giá trị thiếu trong dữ liệu.
93. Độ đo ‘recall’ trong đánh giá mô hình phân loại được định nghĩa như thế nào?
A. Tỷ lệ các trường hợp dương tính thực tế được dự đoán đúng.
B. Tỷ lệ các trường hợp được dự đoán là dương tính mà thực sự là dương tính.
C. Tỷ lệ các trường hợp âm tính thực tế được dự đoán đúng.
D. Tỷ lệ tổng số các trường hợp được dự đoán đúng.
94. Kỹ thuật nào sau đây được sử dụng để dự đoán xu hướng trong tương lai dựa trên dữ liệu quá khứ?
A. Phân tích chuỗi thời gian
B. Phân tích không gian
C. Phân tích mạng xã hội
D. Phân tích văn bản
95. Trong khai phá dữ liệu, ‘data mining’ khác ‘data analysis’ ở điểm nào?
A. Data mining chỉ tập trung vào dữ liệu số, còn data analysis có thể xử lý cả dữ liệu phi cấu trúc.
B. Data mining là quá trình tìm kiếm các mẫu và mối quan hệ ẩn trong dữ liệu lớn, thường tự động, trong khi data analysis tập trung vào việc mô tả và tóm tắt dữ liệu để hiểu rõ hơn về nó.
C. Data analysis sử dụng các thuật toán phức tạp hơn data mining.
D. Data mining chỉ được sử dụng trong lĩnh vực kinh doanh, còn data analysis có thể áp dụng trong mọi lĩnh vực.
96. Trong khai phá dữ liệu, ‘feature engineering’ là quá trình làm gì?
A. Chọn một tập hợp con các thuộc tính quan trọng nhất từ dữ liệu.
B. Tự động tạo ra các thuộc tính mới từ dữ liệu hiện có.
C. Chuyển đổi dữ liệu sang một định dạng khác.
D. Loại bỏ các giá trị thiếu trong dữ liệu.
97. Trong bối cảnh khai phá dữ liệu, ‘overfitting’ thường xảy ra khi nào?
A. Mô hình quá đơn giản để nắm bắt các mối quan hệ trong dữ liệu.
B. Dữ liệu huấn luyện quá nhỏ.
C. Mô hình học quá kỹ các chi tiết nhiễu trong dữ liệu huấn luyện.
D. Thiếu dữ liệu kiểm tra để đánh giá mô hình.
98. Phương pháp nào sau đây giúp xác định các điểm dữ liệu bất thường hoặc ngoại lệ trong một tập dữ liệu?
A. Phân tích thành phần chính (PCA)
B. Phân tích điểm dị thường (Outlier Analysis)
C. Phân cụm K-means
D. Phân tích hồi quy tuyến tính
99. Trong quá trình tiền xử lý dữ liệu, ‘chuẩn hóa’ (normalization) dữ liệu thường được thực hiện để làm gì?
A. Loại bỏ các giá trị thiếu.
B. Chuyển đổi dữ liệu thành định dạng phù hợp.
C. Đưa các giá trị về một phạm vi chung.
D. Giảm số lượng chiều dữ liệu.
100. Một công ty bảo hiểm muốn phát hiện các yêu cầu bồi thường gian lận. Phương pháp khai phá dữ liệu nào phù hợp nhất?
A. Phân tích chuỗi thời gian
B. Phân tích điểm dị thường
C. Phân cụm
D. Phân tích hồi quy
101. Trong khai phá dữ liệu, kỹ thuật nào thường được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng?
A. Phân tích hồi quy
B. Phân tích thành phần chính (PCA)
C. Phân cụm K-means
D. Luật kết hợp
102. Kỹ thuật nào được sử dụng để ước tính hoặc dự đoán một giá trị số dựa trên các biến đầu vào?
A. Phân loại (Classification)
B. Hồi quy (Regression)
C. Phân cụm (Clustering)
D. Luật kết hợp (Association Rule Mining)
103. Kỹ thuật nào thường được sử dụng để xử lý các giá trị thiếu (missing values) trong dữ liệu?
A. Chuẩn hóa dữ liệu
B. Rời rạc hóa dữ liệu
C. Thay thế bằng giá trị trung bình/phổ biến
D. Giảm chiều dữ liệu
104. Một bệnh viện muốn dự đoán nguy cơ mắc bệnh tim mạch của bệnh nhân dựa trên các yếu tố như tuổi, huyết áp, cholesterol. Phương pháp nào phù hợp nhất?
A. Phân tích chuỗi thời gian
B. Phân tích hồi quy
C. Phân loại
D. Phân cụm
105. Trong ngữ cảnh của cây quyết định (decision tree), entropy được sử dụng để làm gì?
A. Đo lường mức độ thuần nhất của một tập dữ liệu.
B. Xác định thuộc tính quan trọng nhất để phân chia dữ liệu.
C. Ngăn chặn overfitting.
D. Tính toán độ chính xác của mô hình.
106. Trong khai phá dữ liệu, mục tiêu chính của phân cụm (clustering) là gì?
A. Dự đoán giá trị của một biến mục tiêu.
B. Tìm các nhóm đối tượng tương tự nhau trong dữ liệu.
C. Tìm các mối quan hệ giữa các biến.
D. Giảm số lượng chiều dữ liệu.
107. Trong khai phá dữ liệu, kỹ thuật nào được sử dụng để giảm kích thước của dữ liệu bằng cách loại bỏ các thuộc tính không liên quan hoặc dư thừa?
A. Rút gọn dữ liệu (Data Reduction)
B. Làm sạch dữ liệu (Data Cleaning)
C. Chuyển đổi dữ liệu (Data Transformation)
D. Tích hợp dữ liệu (Data Integration)
108. Trong khai phá dữ liệu, kỹ thuật nào được sử dụng để xử lý dữ liệu văn bản, chẳng hạn như phân tích cảm xúc từ các bài đánh giá sản phẩm?
A. Xử lý ngôn ngữ tự nhiên (NLP)
B. Phân tích chuỗi thời gian
C. Phân tích mạng xã hội
D. Phân tích không gian
109. Độ đo ‘precision’ trong đánh giá mô hình phân loại được định nghĩa như thế nào?
A. Tỷ lệ các trường hợp dương tính thực tế được dự đoán đúng.
B. Tỷ lệ các trường hợp được dự đoán là dương tính mà thực sự là dương tính.
C. Tỷ lệ các trường hợp âm tính thực tế được dự đoán đúng.
D. Tỷ lệ tổng số các trường hợp được dự đoán đúng.
110. Trong khai phá dữ liệu, ‘ensemble learning’ là gì?
A. Một phương pháp để giảm số lượng thuộc tính trong dữ liệu.
B. Một kỹ thuật kết hợp nhiều mô hình học máy để cải thiện hiệu suất tổng thể.
C. Một cách để trực quan hóa dữ liệu.
D. Một phương pháp để làm sạch dữ liệu bị nhiễu.
111. Độ đo nào thường được sử dụng để đánh giá hiệu suất của một mô hình phân loại, đặc biệt khi các lớp không cân bằng?
A. Độ chính xác (Accuracy)
B. Độ thu hồi (Recall)
C. F1-score
D. Độ đo AUC (Area Under the Curve)
112. Trong khai phá dữ liệu, ‘bias-variance tradeoff’ đề cập đến điều gì?
A. Sự cân bằng giữa chi phí tính toán và độ chính xác của mô hình.
B. Sự cân bằng giữa việc mô hình hóa dữ liệu huấn luyện quá sát (overfitting) và mô hình hóa quá đơn giản (underfitting).
C. Sự cân bằng giữa việc sử dụng nhiều thuộc tính và sử dụng ít thuộc tính.
D. Sự cân bằng giữa việc sử dụng các thuật toán khác nhau.
113. Trong khai phá dữ liệu, ‘cross-validation’ được sử dụng để làm gì?
A. Tăng kích thước của tập dữ liệu huấn luyện.
B. Đánh giá hiệu suất của mô hình trên dữ liệu chưa thấy.
C. Giảm số lượng chiều dữ liệu.
D. Tìm các điểm dữ liệu bất thường.
114. Một tổ chức phi lợi nhuận muốn xác định các nhà tài trợ tiềm năng dựa trên dữ liệu nhân khẩu học và lịch sử đóng góp. Phương pháp nào phù hợp nhất?
A. Phân tích chuỗi thời gian
B. Phân tích hồi quy
C. Phân loại
D. Phân cụm
115. Một tập đoàn viễn thông muốn phân đoạn khách hàng của mình thành các nhóm khác nhau dựa trên hành vi sử dụng dịch vụ. Phương pháp nào phù hợp nhất?
A. Phân tích hồi quy
B. Phân loại
C. Phân cụm
D. Luật kết hợp
116. Thuật ngữ nào mô tả quá trình chuyển đổi dữ liệu thô thành định dạng phù hợp hơn cho việc phân tích?
A. Trực quan hóa dữ liệu
B. Làm sạch dữ liệu
C. Tiền xử lý dữ liệu
D. Khai thác mẫu
117. Phương pháp khai phá dữ liệu nào được sử dụng để khám phá các mối quan hệ giữa các mục trong một tập dữ liệu, ví dụ như các sản phẩm thường được mua cùng nhau trong siêu thị?
A. Phân tích hồi quy
B. Phân cụm
C. Luật kết hợp
D. Phân loại
118. Một công ty muốn dự đoán khả năng khách hàng rời bỏ dịch vụ (churn). Phương pháp khai phá dữ liệu nào phù hợp nhất?
A. Phân cụm
B. Phân tích hồi quy
C. Phân loại
D. Luật kết hợp
119. Trong ngữ cảnh của thuật toán K-means, điều gì đại diện cho ‘K’?
A. Số lượng thuộc tính trong dữ liệu.
B. Số lượng cụm mong muốn.
C. Số lượng điểm dữ liệu trong tập dữ liệu.
D. Số lần lặp tối đa của thuật toán.
120. Một nhà bán lẻ trực tuyến muốn cá nhân hóa các đề xuất sản phẩm cho từng khách hàng. Phương pháp khai phá dữ liệu nào hữu ích nhất?
A. Phân tích hồi quy
B. Hệ thống đề xuất
C. Phân cụm
D. Phân loại
121. Trong khai phá dữ liệu, ‘curse of dimensionality’ đề cập đến vấn đề gì?
A. Sự khó khăn trong việc tìm kiếm các thuộc tính quan trọng nhất.
B. Sự gia tăng đáng kể về độ phức tạp tính toán và yêu cầu dữ liệu khi số lượng thuộc tính tăng lên.
C. Sự giảm hiệu suất của mô hình khi dữ liệu có quá nhiều nhiễu.
D. Sự khó khăn trong việc trực quan hóa dữ liệu nhiều chiều.
122. Mục tiêu chính của việc tiền xử lý dữ liệu trong khai phá dữ liệu là gì?
A. Tăng kích thước của tập dữ liệu.
B. Cải thiện chất lượng dữ liệu và làm cho nó phù hợp hơn cho phân tích.
C. Giảm độ phức tạp của thuật toán khai phá dữ liệu.
D. Ẩn danh hóa dữ liệu để bảo vệ quyền riêng tư.
123. Khi nào nên sử dụng phương pháp phân tích thành phần chính (PCA)?
A. Khi cần phân loại dữ liệu.
B. Khi cần giảm số chiều của dữ liệu.
C. Khi cần tìm các luật kết hợp.
D. Khi cần dự đoán một giá trị số.
124. Trong ngữ cảnh của luật kết hợp (association rule mining), ‘support’ của một luật là gì?
A. Độ tin cậy của luật.
B. Tần suất xuất hiện của các mục trong luật trong tập dữ liệu.
C. Độ quan trọng của luật.
D. Độ chính xác của luật.
125. Thuật toán nào sau đây thường được sử dụng để phân cụm dữ liệu mà không cần xác định trước số lượng cụm?
A. K-means
B. Hierarchical Clustering
C. Support Vector Machine (SVM)
D. Linear Regression
126. Khi nào nên sử dụng thuật toán K-means clustering?
A. Khi cần phân loại dữ liệu thành các nhóm đã biết trước.
B. Khi cần tìm các mối quan hệ giữa các thuộc tính.
C. Khi cần phân cụm dữ liệu thành các nhóm dựa trên khoảng cách.
D. Khi cần dự đoán một giá trị số.
127. Cho một bài toán phân loại, bạn có một tập dữ liệu không cân bằng (imbalanced dataset). Biện pháp nào sau đây có thể giúp cải thiện hiệu suất mô hình?
A. Chỉ sử dụng độ đo accuracy để đánh giá mô hình.
B. Sử dụng kỹ thuật oversampling hoặc undersampling.
C. Loại bỏ tất cả các mẫu thuộc lớp thiểu số.
D. Giảm kích thước dữ liệu.
128. Trong khai phá dữ liệu, ‘overfitting’ xảy ra khi nào?
A. Mô hình quá đơn giản và không thể nắm bắt được các mối quan hệ trong dữ liệu.
B. Mô hình quá phức tạp và học cả nhiễu trong dữ liệu huấn luyện.
C. Dữ liệu huấn luyện quá ít.
D. Dữ liệu kiểm tra quá khác biệt so với dữ liệu huấn luyện.
129. Độ đo nào sau đây thường được sử dụng để đánh giá hiệu suất của mô hình hồi quy?
A. Accuracy
B. Precision
C. Recall
D. RMSE (Root Mean Squared Error)
130. Trong khai phá dữ liệu, kỹ thuật ‘cross-validation’ được sử dụng để làm gì?
A. Tăng kích thước của tập dữ liệu huấn luyện.
B. Đánh giá hiệu suất của mô hình trên dữ liệu chưa thấy.
C. Giảm số lượng thuộc tính trong dữ liệu.
D. Tìm các giá trị tối ưu cho các tham số của mô hình.
131. Trong khai phá dữ liệu, kỹ thuật nào sau đây được sử dụng để giảm nhiễu trong dữ liệu?
A. Aggregation
B. Sampling
C. Smoothing
D. Feature selection
132. Cho một mô hình có ‘variance cao’. Điều này có nghĩa là gì?
A. Mô hình không nhạy cảm với nhiễu trong dữ liệu.
B. Mô hình quá đơn giản.
C. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra.
D. Mô hình rất nhạy cảm với nhiễu trong dữ liệu và có thể overfitting.
133. Trong khai phá dữ liệu, ‘precision’ là gì?
A. Tỷ lệ các trường hợp dự đoán dương tính đúng trên tổng số các trường hợp thực tế là dương tính.
B. Tỷ lệ các trường hợp dự đoán dương tính đúng trên tổng số các trường hợp dự đoán là dương tính.
C. Độ chính xác của mô hình.
D. Tỷ lệ các trường hợp dự đoán âm tính đúng trên tổng số các trường hợp thực tế là âm tính.
134. Trong khai phá dữ liệu, ‘regularization’ được sử dụng để làm gì?
A. Tăng độ phức tạp của mô hình.
B. Giảm overfitting bằng cách thêm một hình phạt vào hàm mất mát.
C. Tăng kích thước của tập dữ liệu.
D. Chọn các thuộc tính quan trọng nhất.
135. Khi nào nên sử dụng cây quyết định (decision tree)?
A. Khi cần dự đoán một giá trị số liên tục.
B. Khi cần phân loại dữ liệu dựa trên các quy tắc rõ ràng và dễ hiểu.
C. Khi cần tìm các cụm dữ liệu.
D. Khi cần giảm số chiều của dữ liệu.
136. Trong ngữ cảnh của cây quyết định, ‘entropy’ được sử dụng để làm gì?
A. Đo lường độ chính xác của cây quyết định.
B. Đo lường sự không chắc chắn hoặc độ hỗn loạn của một tập hợp dữ liệu.
C. Xác định độ sâu tối đa của cây quyết định.
D. Chọn thuộc tính để chia dữ liệu tại mỗi nút.
137. Trong khai phá dữ liệu, ‘recall’ là gì?
A. Tỷ lệ các trường hợp dự đoán dương tính đúng trên tổng số các trường hợp thực tế là dương tính.
B. Tỷ lệ các trường hợp dự đoán dương tính đúng trên tổng số các trường hợp dự đoán là dương tính.
C. Độ chính xác của mô hình.
D. Tỷ lệ các trường hợp dự đoán âm tính đúng trên tổng số các trường hợp thực tế là âm tính.
138. Trong khai phá dữ liệu, kỹ thuật nào thường được sử dụng để giảm số lượng chiều dữ liệu trong khi vẫn giữ lại thông tin quan trọng?
A. Phân tích hồi quy
B. Phân tích thành phần chính (PCA)
C. Phân cụm K-means
D. Luật kết hợp
139. Trong khai phá dữ liệu, ‘feature engineering’ đề cập đến điều gì?
A. Quá trình lựa chọn thuật toán khai phá dữ liệu phù hợp nhất.
B. Quá trình chuyển đổi và tạo ra các thuộc tính mới từ dữ liệu hiện có.
C. Quá trình loại bỏ các thuộc tính không liên quan khỏi dữ liệu.
D. Quá trình đánh giá hiệu suất của mô hình khai phá dữ liệu.
140. Khi nào nên sử dụng thuật toán Support Vector Machine (SVM)?
A. Khi cần phân cụm dữ liệu.
B. Khi cần dự đoán một giá trị số liên tục.
C. Khi cần phân loại dữ liệu, đặc biệt là trong các bài toán có số chiều cao.
D. Khi cần tìm các luật kết hợp.
141. Trong khai phá dữ liệu, ‘scaling’ hoặc ‘normalization’ được sử dụng để làm gì?
A. Tăng kích thước của tập dữ liệu.
B. Đưa các thuộc tính về cùng một thang đo.
C. Giảm số lượng thuộc tính.
D. Loại bỏ các giá trị bị thiếu.
142. Khi nào nên sử dụng phương pháp khai phá luật kết hợp (association rule mining)?
A. Khi cần dự đoán giá trị của một biến số liên tục.
B. Khi cần phân loại dữ liệu thành các nhóm khác nhau.
C. Khi cần tìm các mối quan hệ tiềm ẩn giữa các mục trong một tập dữ liệu.
D. Khi cần giảm số chiều của dữ liệu.
143. Độ đo nào sau đây thường được sử dụng để đánh giá hiệu suất của mô hình phân loại?
A. RMSE (Root Mean Squared Error)
B. MAE (Mean Absolute Error)
C. Accuracy
D. R-squared
144. Thuật toán nào thường được sử dụng để phân loại dữ liệu dựa trên khoảng cách đến các điểm dữ liệu lân cận?
A. Cây quyết định
B. Máy học tăng cường (Boosting)
C. K-Nearest Neighbors (KNN)
D. Hồi quy Logistic
145. Trong khai phá dữ liệu, ‘outlier’ là gì?
A. Một thuộc tính quan trọng trong dữ liệu.
B. Một điểm dữ liệu khác biệt đáng kể so với các điểm dữ liệu khác.
C. Một mô hình khai phá dữ liệu.
D. Một phương pháp tiền xử lý dữ liệu.
146. Thuật toán nào sau đây là một ví dụ của phương pháp học tăng cường (ensemble learning)?
A. K-means
B. Linear Regression
C. Random Forest
D. Support Vector Machine
147. Phương pháp nào sau đây thường được sử dụng để xử lý dữ liệu bị thiếu?
A. Loại bỏ các thuộc tính có giá trị bị thiếu.
B. Điền giá trị trung bình hoặc trung vị vào các giá trị bị thiếu.
C. Sử dụng thuật toán khai phá dữ liệu không yêu cầu dữ liệu đầy đủ.
D. Tất cả các phương án trên.
148. Trong khai phá dữ liệu, ‘one-hot encoding’ được sử dụng để làm gì?
A. Mã hóa các biến số liên tục thành các giá trị nhị phân.
B. Mã hóa các biến số phân loại thành các vectơ nhị phân.
C. Giảm số chiều của dữ liệu.
D. Loại bỏ các giá trị bị thiếu.
149. Trong khai phá dữ liệu, kỹ thuật nào được sử dụng để khám phá các mối quan hệ giữa các mục trong một tập dữ liệu giao dịch?
A. Phân tích hồi quy
B. Phân cụm
C. Luật kết hợp (Association Rule Mining)
D. Phân tích chuỗi thời gian
150. Cho một mô hình dự đoán bị ‘bias cao’. Điều này có nghĩa là gì?
A. Mô hình rất nhạy cảm với nhiễu trong dữ liệu.
B. Mô hình quá đơn giản và không thể nắm bắt được các mối quan hệ phức tạp trong dữ liệu.
C. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra.
D. Mô hình có phương sai lớn.
