Dimensionality Reduction

Dimensionality Reduction giúp ích gì trong Machine Learning?

• Tăng số lượng đặc trưng

• Tăng overfitting

• Giảm độ phức tạp và hỗ trợ trực quan hóa dữ liệu

• Tăng kích thước dữ liệu

"Curse of dimensionality" là gì?

• Dữ liệu dễ học hơn khi chiều cao

• Dữ liệu có chiều cao thường nhiễu và dễ overfit

• Số chiều càng nhiều thì mô hình càng đơn giản

• Dữ liệu thấp chiều không đủ thông tin

Kỹ thuật nào sau đây là phương pháp feature extraction?

• Chi-square test

• PCA

• ANOVA

• Random Forest Importance

Khi nào nên giảm chiều dữ liệu?

• Khi dữ liệu có ít đặc trưng

• Khi dữ liệu bị thiếu

• Khi dữ liệu có quá nhiều chiều và khó trực quan hóa

• Khi không có nhãn

Mục tiêu chính của việc giảm chiều là gì?

• Làm mô hình phức tạp hơn

• Làm dữ liệu mất thông tin hoàn toàn

• Loại bỏ toàn bộ đặc trưng

• Giữ lại thông tin quan trọng nhất của dữ liệu

PCA viết tắt của

• Principal Coordinate Analysis

• Principal Component Analysis

• Probabilistic Component Aggregation

• Principal Correlation Analysis

PCA chủ yếu áp dụng cho dữ liệu loại nào?

• Dữ liệu phân loại

• Dữ liệu dạng ảnh

• Dữ liệu tuyến tính

• Dữ liệu rời rạc

Trong PCA, các vector riêng (eigenvectors) biểu diễn gì?

• Dữ liệu gốc

• Trục tọa độ cũ

• Các hướng chính giữ phương sai cao nhất

• Tập nhãn của dữ liệu

Bước đầu tiên khi thực hiện PCA là gì?

• Tính giá trị riêng

• Tính ma trận hiệp phương sai

• Chuẩn hóa dữ liệu

• Chiếu dữ liệu lên vector mới

Nhược điểm của PCA là gì?

• Tốn nhiều tài nguyên

• Không xử lý được dữ liệu phi tuyến

• Không áp dụng cho ảnh

• Không giúp trực quan hóa