Font size
WorksheetsQuiz sur les Règles d'Association +ACP
Total questions: 22
Worksheet time: 16mins
Qu'est-ce que l'analyse des règles d'association?
Une technique pour découvrir les associations entre attributs
Un algorithme de tri
Une méthode de gestion de projet
Quels sont quelques algorithmes utilisés pour les règles d'association?
A Priori
Eclat
GUHA procedure ASSOC
Tous les précédents
Comment définit-on le support d'une règle?
Pourcentage d'enregistrements vérifiant la règle
Nombre total d'attributs
Probabilité conditionnelle
Quels sont les avantages de l'algorithme A Priori ?
La découverte rapide de règles d’association pertinentes entre objets
La facilité d’interprétation des résultats lors de l’extraction des règles d’association
Le calcul des supports est coûteux
La génération des règles est coûteuse
Quels sont les inconvénients de l'algorithme A Priori ?
Le calcul des supports est coûteux
La génération des règles est coûteuse
Quelle est la différence entre le support et la confiance dans les règles d'association?
Le support mesure la fréquence d'apparition d'une règle
La confiance mesure la probabilité conditionnelle
Les deux sont identiques
Le support est plus important que la confiance
Quels types de données peuvent être analysés avec les règles d'association?
Données numériques uniquement
Données catégorielles uniquement
Tous types de données
L'algorithme Apriori est principalement utilisé dans quel domaine de l'apprentissage automatique ?
Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
Apprentissage profond
Dans l'algorithme Apriori, que signifie un "itemset" ?
Une seule transaction
Une règle d'association
Un ensemble d'éléments dans une transaction
Un algorithme d'apprentissage supervisé
Qu'est-ce que la confiance (confidence) dans l'algorithme Apriori ?
La fréquence d'un itemset dans l'ensemble des transactions
La probabilité que les transactions contiennent B si elles contiennent A
Le nombre total de transactions analysées
Une mesure pour réduire la complexité des données
Dans l'ACP, les composantes principales sont :
Des variables initiales
Des variables aléatoires
De nouvelles variables
Des observations
Dans ACP, les composantes principales sont :
Non corrélées
Indépendantes
Corrélées
Identiques
Dans ACP, la première composante principale maximise :
La moyenne
La variance
La distance
Le bruit
Dans ACP, Plus la variance est grande :
Moins il y a d’information
Pas d’impact
Les données disparaissent
Plus il y a d’information
La première étape de l’ACP est :
Covariance
Normalisation
Projection
Classification
La matrice de covariance permet de :
Classifier les données
Trier les variables
Réduire les dimensions
Mesurer la relation entre variables
Les composantes principales sont obtenues via :
Moyenne
Mediane
Les valeurs propores
L'écart type
Les vecteurs propres représentent :
Les individus
Les moyennes
Les erreurs
Les directions principales
Le nombre de composantes principales est :
Toujours 2
Toujours 3
Égal au nombre de caractéristiques initiales
Egal au nombres des observations
Le cercle de corrélation sert à
Étudier les variables
Étudier les variables
Réduire les données
Trier les axes
Dans la carte des individus, deux points proches signifient
Différence
Indépendance
Ressemblance
Erreur
Le scree plot permet :
De choisir le nombre de composantes
De normaliser
De calculer la covariance
De classifier
