200+ câu Trắc nghiệm tổng hợp Data mining có đáp án – Phần 2

Bin 1: 9, 9, 9, 9; Bin 2: 23, 23, 23, 23; Bin 3: 29, 29, 29, 29

Bin 1: 4, 4, 4, 4; Bin 2: 21, 21, 21, 21; Bin 3: 26, 26, 26, 26

Bin 1: 4, 4, 4, 15; Bin 2: 21, 21, 25, 25; Bin 3: 26, 26, 26, 34

Bin 1: 15, 15, 15, 15; Bin 2: 23, 23, 23, 23; Bin 3: 29, 29, 29, 29

Bin 1: 4, 4, 4, 15; Bin 2: 21, 21, 25, 25; Bin 3: 26, 26, 26, 34

Bin 1: 4, 4, 4, 4; Bin 2: 21, 21, 21, 21; Bin 3: 26, 26, 26, 26

Bin 1: 9, 9, 9, 9; Bin 2: 23, 23, 23, 23; Bin 3: 29, 29, 29, 29

Bin 1: 15, 15, 15, 15; Bin 2: 23, 23, 23, 23; Bin 3: 29, 29, 29, 29

Chi miền giá trị thành N đoạn có độ dài như nhau nhau sẽ được xếp vào cùng 1 thùng

Chia miền xác định thành N đoạn ‘’đều nhau về số lượng’’ các đoạn có xấp xỉ số ví dụ mẫu.

Lựa chọn số phần tử ngẫu nhiên và xếp và N thùng

Các phần tử có giá trị như

Min-Max, z-Score, Tỷ lệ thập phân – decimal scale

2NF, 3NF, BCNF

Đưa về hệ đếm thập phân, Hệ nhị phân, hệ Hecxa

Chuẩn hóa về dữ liệu văn bản, hình ảnh, âm thanh

Tập hợp khối dữ liệu, Giảm đa chiều – loại bỏ thuộc tính không quan trọng, Nén dữ liệu, Giảm tính số hóa – dữ liệu thành mô hình, Rời rạc hóa và sinh cây khái niệm

Tìm kiếm thêm thông tin có ích, xây dựng cây quyết định, phân nhóm dữ liệu

Phân lớp dữ liệu, tìm đặc trưng của dữ liệu, loại bỏ nhiễu

Loại bỏ phần tử ngoại lai, tìm các dữ liệu quan trọng, đưa về mô hình toán học

0.716

0.800

0.500

Giá trị khác

5.0

8.0

9.0

Giá trị khác

- 0.986 đến 0.917

0.0 đến 1.0

0.0 đến 9.17

Giá trị khác

0.15

1.5

0.015

Giá trị khác

Chỉ áp dụng cho dữ liệu số và dùng khi số chiều vector lớn

Chỉ áp dụng cho dữ liệu văn bản và dùng khi số chiều vector lớn

áp dụng cho mọi loại dữ liệu

Tìm đặc trưng quan trọng của tập dữ liệu

Cho N vector dữ liệu k-chiều, tìm c (<= k) vector trực giao tốt nhất để trình diễn dữ liệu. Tập dữ liệu gốc được rút gọn thành N vector dữ liệu c chiều: c thành phần chính (chiều được rút gọn). Mỗi vector dữ liệu là tổ hợp tuyến tính của các vector thành phần chính.

Cho N vector dữ liệu k-chiều, tìm c (<= k) vector đại diện để trình diễn dữ liệu. Tập dữ liệu gốc được rút gọn thành N vector dữ liệu c chiều: c thành phần chính (chiều được rút gọn). Mỗi vector dữ liệu là tổ hợp tuyến tính của các vector thành phần chính.

Cho N vector dữ liệu k-chiều, tìm c (<= k) vector trực giao tốt nhất để trình diễn dữ liệu. Tập dữ liệu gốc được rút gọn thành N vector dữ liệu k chiều: k thành phần chính (chiều được rút gọn). Mỗi vector dữ liệu là tổ hợp tuyến tính của các vector thành phần chính.

Cho N vector dữ liệu k-chiều, tìm c (<= k) vector để trình diễn dữ liệu. Tập dữ liệu gốc được rút gọn thành 1 vector dữ liệu c chiều: c thành phần chính (chiều được rút gọn). Mỗi vector dữ liệu là tổ hợp tuyến tính của các vector thành phần chính.

Rút gọn số lượng giá trị của thuộc tính liên tục bằng cách chia miền giá trị của thuộc tính thành các đoạn. Nhãn đoạn sau đó được dùng để thay thế giá trị thực.

Đưa dữ liệu về dạng số nhị phân

Biểu diễn dữ liệu thành dạng dữ liệu không liên tục

Chuyển đổi dữ liệu sang dạng sóng điện từ

Conference(S’-->L-S) <= Conference(S-->L-S)

Conference(S’-->L-S: Conference(S-->L-S)

Conference(S’-->L-S) > Conference(S-->L-S)

Không so sánh được Conference(S’-->L-S) và Conference(S-->L-S)

Support(X)>=Support(Y)

Support(X)<=Support(Y)

Support(X) =Support(Y)

Không so sánh được Support(X) và Support(Y)

Support(X)>=Support(Y)

Support(X)<=Support(Y)

Support(X) =Support(Y)

Không so sánh được Support(X) và Support(Y)

Y không là tập mục thường xuyên

Y là tập mục thường xuyên

X là tập mục thường xuyên

Không thể kết luận được điều gì

Y là tập mục thường xuyên

Y không là tập mục thường xuyên

C là tập mục thường xuyên

X không là tập mục thường xuyên

Tập con của một tập mục thường xuyên KHÔNG là tập mục thường xuyên

Tập con của một tập mục thường xuyên là tập mục thường xuyên

Nếu luật kết hợp A-->BC thỏa mãn điều kiện của bài toán thì AB-->C cũng là luật kết hợp thỏa mãn điều kiện của bài toán

Cho tập mục X={X1, X2, …, Xn}. Nếu tất cả các mục Xi trong X đều không là tập mục thường xuyên thì mọi tập con Y của X cũng không là tập mục thường xuyên.

Y không là tập mục thường xuyên

Y là tập mục thường xuyên

X là tập mục thường xuyên

C không là tập mục thường xuyên

Y không là tập mục thường xuyên

Y là tập mục thường xuyên

X là tập mục thường xuyên

Tập X – Y là tập mục thường xuyên

Tạo ra các tập phổ biến (thường xuyên) có 1 item, rồi tiếp đến là 2 items, 3 items... cho đến khi chúng ta tạo ra tập phổ biến của mọi kích thước. Mỗi tập item được tạo ra phải được tính toán độ hỗ trợ và độ tin cậy. Tập k-item được tạo ra từ tập k-1 items. Tạo danh sách các item dự kiến của tập k-items bằng cách hợp từng đôi một tập k-1 items có trong danh sách.

Tạo ra các tập phổ biến (thường xuyên) có 1 item, rồi tiếp đến là 2 items, 3 items... cho đến khi chúng ta tạo ra tập phổ biến của mọi kích thước. Tập k item được tạo ra từ tập k-1 items. Tạo danh sách các item dự kiến của tập k-items bằng cách hợp từng đôi một tập k-1 items có trong danh sách. Loại bỏ các tập item không thỏa độ hỗ trợ và độ tin cậy

Tạo bảng chứa các item phổ biến, loại bỏ các item không phổ biến. Giả sử có k item là ứng viên. Tính các tập mục mà mỗi mục có số lượng phần tử là tổ hợp chập 1, 2, 3, … k của k item. Loại bỏ các item không thỏa mãn độ hỗ trợ và độ tin cậy.

Lần lượt tạo ra danh sách các item dự kiến của tập k-items bằng cách hợp từng đôi một tập k-1 items có trong danh sách. Loại bỏ các tập item không thỏa độ hỗ trợ và độ tin cậy.

2^k-2, không tính luật X và X

2^k không tính luật X và X

k luật

Vô số luật kết hợp

6 luật, không tính luật X và X

8 luật, không tính luật X và X

3 luật

1 luật

14 luật, không tính luật X và X

16 luật, không tính luật X

3 luật

1 luật

d(x,y)>0 ; d(x,y)=d(y,x) ; d(x,y) =0 ; d(x,y)<=d(x,z)+d(z,y)

d(x,y)>=0 ; d(x,y)<=d(x,z)+d(z,y)

d(x,y)>=0 ; d(x,y)=d(y,x) ; d(x,x) =0 ; d(x,y)<=d(x,z)+d(z,y)

d(x,y)>=0 ; d(x,x) =0 ; d(x,y)<=d(x,z)+d(z,y)

Đại diện điểm, đại diện siêu cầu

Đại diện siêu phẳng, đại diện điểm

Đại diện điểm, đại diện siêu phẳng và đại diện siêu cầu

Đại diện siêu cầu, đại siêu phẳng

S(N, m) = m.S(N, m) + S(N - 1, m - 1)

S(N, m) = N.S(N - 1, m) + S(N - 1, m - 1)

S(N, m) = m.S(N - 1, m) + S(N - 1, m - 1)

S(N, m) = S(N - 1, m) + m.S(N - 1, m - 1)

S(N,2) = 2^N - 1

S(N,2) = 2^(N-1)

S(N,2) = 2^(N-1) - 1

S(N,2) = 2^N

16 cách

15 cách

7 cách

1 cách

7 cách

32 cách

15 cách

1 cách

Cho tập X gồm N phần tử {x1, x2, …, xN}, mỗi phần tử là một vector. Ma trận không tương tự P(X) là ma trận cấp N N mà phần tử nằm ở vị trí (i, j) có giá trị là i*j

Cho tập X gồm N phần tử {x1, x2, …, xN}, mỗi phần tử là một vector. Ma trận không tương tự P(X) là ma trận cấp N N mà phần tử nằm ở vị trí (i, j) bằng 0

Cho tập X gồm N phần tử {x1, x2, …, xN}, mỗi phần tử là một vector. Ma trận không tương tự P(X) là ma trận cấp N N mà phần tử nằm ở vị trí (i, j) bằng độ không tương tự d(xi,xj) giữa hai vector xi và xj.

Cho tập X gồm N phần tử {x1, x2, …, xN}, mỗi phần tử là một vector. Ma trận không tương tự P(X) là ma trận cấp N N mà phần tử nằm trên đường chéo chính bằng 0, các phần tử khác có giá trị bất kỳ

Là ma trận đối xứng qua đường chéo chính

Là ma trận cho biết độ không tương tự giữa 2 phần tử bất kỳ

Các phần tử nằm trên đường chéo chính bằng có giá trị 0

Là ma trận mà các phần tử trên đường chéo chính bằng 1

Sơ đồ gần gũi là một sơ đồ xét mức độ gần gũi ở đó hai cụm được trộn với nhau tạo thành sơ đồ hình cây

Sơ đồ gần gũi là một sơ đồ xét mức độ gần gũi biểu diễn mối quan hệ giữa các phần tử trong quá trình phân cụm

Sơ đồ gần gũi là sơ đồ không tương tự

Sơ đồ gần gũi là một sơ đồ xét mức độ gần gũi ở đó hai cụm được trộn với nhau ở lần đầu tiên. Khi sử dụng độ đo không tương tự (tương tự), sơ đồ gần gũi được gọi là một sơ đồ không tương tự (tương tự).

O(n+k+t) trong đó n là số phần tử cần phân cụm, k là số cụm, t là số lần lặp

O(n^2) trong đó n là số phần tử cần phân cụm

O(n) trong đó n là số phần tử cần phân cụm

O(n*k*t) trong đó n là số phần tử cần phân cụm, k là số cụm, t là số lần lặp

Chọn 2 cụm gần nhau nhất Ci, Cj để trộn với nhau thành cụm Cp. Khoảng cách giữa cụm mới Cp và các cụm còn lại Cq là d(Cp,Cq)=Max{d(Ci,Cq); d(Cj,Cq)}

Chọn 2 cụm xa nhau nhất Ci, Cj để trộn với nhau thành cụm Cp. Khoảng cách giữa cụm mới Cp và các cụm còn lại Cq là d(Cp,Cq)=Min{d(Ci,Cq); d(Cj,Cq)}

Chọn 2 cụm xa nhau nhất Ci, Cj để trộn với nhau thành cụm Cp. Khoảng cách giữa

Chọn 2 cụm gần nhau nhất Ci, Cj để trộn với nhau thành cụm Cp. Khoảng cách giữa cụm mới Cp và các cụm còn lại Cq là d(Cp,Cq)=Min{d(Ci,Cq); d(Cj,Cq)} cụm mới Cp và các cụm còn lại Cq là d(Cp,Cq)=Max{d(Ci,Cq); d(Cj,Cq)}

4 thuộc tính

3 thuộc tính

5 thuộc tính

6 thuộc tính

2 giá trị

3 giá trị

5 giá trị

1 giátrị

Outlook, Temperature, Humidity, Wind

Outlook, Temperature, Humidity, Wind, Play Ball

Day, Outlook, Temperature, Humidity, Wind

Day, Outlook, Temperature, Humidity, Wind, Play Ball

2 bảng

3 bảng

không cần chia

Tùy theo thuộc tính được chọn

bằng 1

bằng 2

bằng 0

bằng 9

bằng 5

bằng 2

bằng 0

bằng 9

x1 và x2

x1 và x3

x2 và x3

x3 và x5

x1 và x2

x1 và x3

x2 và x3

x3 và x5

3 cụm

2 cụm

1 cụm

4 cụm

1 cụm

2 cụm

3 cụm

4 cụm

2 cụm

3 cụm

1 cụm

4 cụm

4 cụm

2 cụm

1 cụm

5 cụm

5 cụm

2 cụm

1 cụm

4 cụm

F:4, C:4, A:3, C:3, M:3, P:3

C:4, A:3, C:3, M:3, P:3

F:4, C:4

A:3, C:3, M:3, P:3

FCAM:3

FCAM:2

FC:4

FCAM:4

{F:2, C:2, A:2} và { F:1, C:1, A:1, B:1}

{F:2, C:2, A:2}

F:1, C:1, A:1

F: 3, C:3, A:3

{F:2, C:2, A:2, M:2} và { C:1, B:1}

{F:2, C:2, A:2, M:2}

C:3

F: 3, C:3, A:3

{C:3}| p

{CF:3}|p

{C:4}|p

Cây điều kiện là rỗng

{F:3, C:3}| p

{CF:3}|p

{C:4}|p

Cây điều kiện là rỗng

BA-->E

BC -->E

C--> E

B-->C

B-->E

A-->D

C--> E

AB-->C

B-->CE

A-->D

C--> E

AB-->C

{A, C}

{A, E}

{A, C, D}

{B, C, D}

{B, E}

{A, E}

{A, C, D}

{B, C, D}

Không có tập nào

{A, E}

{A, C, D}

{B, E}

{A, C, D}

{A, C}

{E, B}

{B, C}

{BC-->E, B-->E}

A-->D

AC--> E

B-->C

L1={{A}, {B}, {C}, {E}}

L1={{A}, {B}, {C}, {D}}

L1={{A}, {B}, {D}, {E}}

L1={{A}, {D}, {C}}

Không có tập nào

{A, E}

{A, C, D}

{B, C, D}

3 lần

2 lần

4 lần

1 lần

Con trỏ xuất phát từ bảng đầu mục, trỏ vào nút sinh ra đầu tiên có cùng tên. Nút sinh ra sau có con trỏ từ nút cùng tên sinh ra ngay trước đó trỏ vào

Đường đi trên cây

Nút sinh ra sau trỏ vào nút cùng tên sinh ra trước

Hướng để duyệt cây

{f:2, c:2, a:2, m:2} và {c:1, b:1}

{f:3, c:3, a:3, m:2}

{f:4, c:3, a:3, m:2}

{f:2, c:2, a:2, m:2, p:2} và {c:1, b:1, p:1}

{f:2, c:2, a:2}, {f:1, c:1, a:1, b:1}

{f:4, c:4, a:3}, {f:4, c:3, a:3, b:1}

{f:2, c:2, a:2, m:2}, {f:1, c:1, a:1, b:1, m:1}

{f:2, c:2, a:2, m:2, p:2} , {c:1, b:1, p:1}

{f:3, c:3}

{f:4, c:3}

{f:4, c:3, a:3}

{f:3, c:3, a:3

No

Yes

Không phân lớp được

Thiếu thông tin để kết luận

No

Yes

Không phân lớp được

Thiếu thông tin để kết luận

Yes

No

Không phân lớp được

Thiếu thông tin để kết luận

Yes

No

Không phân lớp được

Married

4 luật

2 luật

1 luật

Nhiều luật

Entropy(C)=1

Entropy(C)=3

Entropy(C)=0.5

Entropy(C)=6

Giá trị khác

Entropy(Outlook = ‘Sunny’)=1

Entropy(Outlook = ‘Sunny’)=0.5

Entropy(Outlook = ‘Sunny’)=0

Giá trị khác

Entropy(Outlook)=1

Entropy(Outlook)=0.5

Entropy(Outlook)=0

2/3

1/3

0/3

Giá trị khác

0/3

1/3

2/3

Giá trị khác

2/3

1/3

0/3

Giá trị khác

1/2

1/3

0/3

Giá trị khác

4/6

3/6

2/6

Giá trị khác

4 tổ hợp

5 tổ hợp

6 tổ hợp

2 tổ hợp

6 tổ hợp

5 tổ hợp

4 tổ hợp

2 tổ hợp

4 tổ hợp

1 tổ hợp

6 tổ hợp

2 tổ hợp

1 tổ hợp

4 tổ hợp

6 tổ hợp

2 tổ hợp

bằng 2

bằng 3

bằng 0

bằng 9

bằng 3

bằng 2

bằng 0

bằng 9

bằng 9

bằng 3

bằng 1

bằng 2

cấp 4

cấp 5

cấp 1

cấp 3

L2={{A,C}, {B,C}, {B,E}, {C,E}}

L2={{ A,D}, {B,D}, {B,E}, {C,E}}

L2= {{B,C}, {B,E}, {C,E}}

L2= {{A,C}, {C,E}}

L3={{B, C, E}}

L3={{A,B, C} và {A,C,E}}

L3={{A,C,E} và {B,C,E }}

L3={{A,B,C,}}

Cây rỗng

{f:4}

{f:4, c:1}

{f:3, c:3, a:3

{f:4, c:3}

{f:3, c:3}

{f:4, c:3, a:3}

{f:3, c:3, a:3

Với cùng số lượng giao dịch như nhau, thời gian thực thi của thuật toán FP-Growth luôn nhiều hơn thời gian thực thi của thuật toán Apriori

Với cùng số lượng giao dịch như nhau, thời gian thức thi thuật toán FP-Growth luôn ít hơn thời gian thực thi thuật toán Apriori

Thuật toán Apriori thực hiện nhanh hơn thuật toán FP-Growth

Hai thuật toán FP-Growth và Apriori đều thức thi với thời gian rất nhỏ.

Với cùng số lượng giao dịch như nhau, thời gian thức thi thuật toán FP-Growth luôn ít hơn thời gian thực thi thuật toán Apriori

Thuật toán Apriori thực hiện nhanh hơn thuật toán FP-Growth

Khi số lượng giao tác rất nhỏ, thời gian thực thi của 2 thuật toán FP-Growth và Apriori là tương đương

Thuật toán FP-Growth thực hiện nhanh hơn thuật toán Apriori

So sánh giữa Thời gian thực thi (tính bằng giây) của 2 thuật toán FP-Growth và Apriori trên 2 Database D1 và Database D2

So sánh giữa Thời gian thực thi (tính bằng giây) của 2 thuật toán FP-Growth và Apriori theo ngưỡng của độ hỗ trợ trên 2 Database D1 và Database D2

So sánh 2 thuật toán FP-Growth và Apriori theo ngưỡng độ tin cậy

Mối quan hệ giữa 2 thuật toán FP-Growth và Apriori

Với cùng ngưỡng của độ hỗ trợ, thời gian thực thi của thuật toán FP-Growth luôn nhiều hơn thời gian thực thi của thuật toán Apriori

Với cùng ngưỡng của độ hỗ trợ, thời gian thức thi thuật toán FP-Growth luôn ít hơn thời gian thực thi thuật toán Apriori

Thuật toán Apriori thực hiện nhanh hơn thuật toán FP-Growth

Hai thuật toán FP-Growth và Apriori đều thức thi với thời gian rất nhỏ.