Câu hỏi về Gom cụm dữ liệu

Gom cụm dữ liệu (Clustering) là một phương pháp thuộc loại nào trong học máy?

• Supervised Learning

• Unsupervised Learning

• Reinforcement Learning

• Semi-supervised Learning

Trong thuật toán K-Means, tham số nào cần được xác định trước khi chạy thuật toán?

• Số cụm (k)

• Khoảng cách giữa các điểm dữ liệu

• Tổng số vòng lặp

• Độ nhiễu của dữ liệu

Thuật toán K-Medoids có lợi thế gì so với K-Means?

• Tính toán nhanh hơn

• Giảm tác động của dữ liệu nhiễu và ngoại lai

• Không cần xác định số cụm trước

• Chỉ hoạt động với dữ liệu danh mục (categorical data)

Phương pháp nào sau đây không phải là một cách tiếp cận phân cụm?

• Phân cụm phân hoạch (Partitioning Clustering)

• Phân cụm phân cấp (Hierarchical Clustering)

• Phân cụm mật độ (Density-based Clustering)

• Phân cụm hồi quy (Regression-based Clustering)

Trong phân cụm phân cấp (Hierarchical Clustering), phương pháp nào bắt đầu bằng cách gộp từng điểm dữ liệu thành cụm lớn hơn?

• DIANA (Divisive Analysis)

• AGNES (Agglomerative Nesting)

• DBSCAN

• K-Means

Chỉ số nào dưới đây không phải là một tiêu chí đánh giá mô hình gom cụm?

• Silhouette index

• Dunn’s index

• Mean Absolute Error (MAE)

• Davies-Bouldin Index (DBI)

Khi áp dụng K-Means, nếu tập dữ liệu chứa dữ liệu danh mục (categorical data), thuật toán nào có thể thay thế?

• K-Prototypes

• K-Nearest Neighbors

• DBSCAN

• PCA

Trong phân cụm phân cấp, biểu đồ nào thường được sử dụng để biểu diễn quá trình gom cụm?

• Scatter plot

• Dendrogram

• Histogram

• Line chart

Điểm khác biệt chính giữa phương pháp AGNES và DIANA trong phân cụm phân cấp là gì?

• AGNES bắt đầu bằng một cụm và chia nhỏ dần, trong khi DIANA gộp dần các điểm lại với nhau

• AGNES gộp dần các cụm lại với nhau, trong khi DIANA bắt đầu với một cụm lớn và chia nhỏ dần

• AGNES chỉ hoạt động với dữ liệu số, còn DIANA chỉ hoạt động với dữ liệu danh mục

• AGNES và DIANA thực chất là cùng một thuật toán

Mục tiêu chính của phương pháp gom cụm dữ liệu là gì?

• Dự đoán nhãn cho dữ liệu mới

• Tìm kiếm sự tương đồng và nhóm các phần tử lại với nhau

• Xác định mối quan hệ nhân quả giữa các biến

• Giảm số lượng biến trong tập dữ liệu