NEW
Font size
WorksheetsBài tập trắc nghiệm về Giảm chiều dữ liệu và PCA
Total questions: 12
Worksheet time: 11mins
Khái niệm "Lời nguyền số chiều" (The Curse of Dimensionality) thường dẫn đến hiện tượng nào sau đây?
Chi phí tính toán giảm đi đáng kể.
Dữ liệu trở nên quá dày đặc trong không gian.
Dữ liệu trở nên quá thưa thớt, dễ gây ra hiện tượng Overfitting.
Các thuật toán dựa trên khoảng cách hoạt động hiệu quả hơn.
Mục tiêu chính của việc giảm chiều dữ liệu là trích xuất một không gian mới Rk từ Rd sao cho:
k>d
k<d
k tùy chọn
k=d
Phương pháp nào sau đây thuộc nhóm "Học đa tạp" (Manifold Learning)?
Phân rã trị riêng trực tiếp trên ma trận hiệp phương sai.
Linear Discriminant Analysis (LDA).
t-SNE.
Principal Component Analysis (PCA).
Trong lý thuyết thông tin áp dụng cho PCA, đại lượng nào được coi là đồng nghĩa với "Thông tin"?
Số lượng mẫu (n).
Giá trị nhỏ nhất (Minimum).
Giá trị trung bình (Mean).
Phương sai (Variance).
Thành phần chính thứ nhất (PC1) trong thuật toán PCA có đặc điểm gì?
Là trục có phương sai nhỏ nhất.
Là trục có phương sai lớn nhất.
Luôn trùng với một trong các trục tọa độ gốc.
Phải song song với Thành phần chính thứ hai (PC2).
Để thực hiện PCA, bước đầu tiên quan trọng nhất đối với tập dữ liệu X là gì?
Chia dữ liệu thành tập huấn luyện và tập kiểm tra.
Loại bỏ các đặc trưng có giá trị âm.
Tính trị riêng của ma trận X.
Chuẩn hóa dữ liệu sao cho trung bình (mean) bằng 0.
Trong phân rã trị riêng Cv=λv , đại lượng nào chỉ ra hướng của các trục mới (Thành phần chính)?
Kích thước mẫu n.
Vector riêng v.
Trị riêng λ .
Ma trận đường chéo Σ .
Khi sử dụng đồ thị Elbow (Scree Plot) để chọn số chiều k, chúng ta nên chọn điểm nào?
Điểm cuối cùng của đồ thị nơi trị riêng bằng 0.
Điểm mà phương sai giải thích đạt đúng 50%.
Điểm "khủy tay" nơi độ dốc bắt đầu giảm mạnh và đi ngang.
Điểm mà trị riêng có giá trị lớn nhất.
Sự khác biệt cơ bản giữa Feature Selection và PCA (Feature Extraction) là gì?
Feature Selection tạo ra các đặc trưng mới, PCA giữ nguyên đặc trưng gốc.
Feature Selection khó giải thích hơn PCA.
Cả hai phương pháp đều luôn giữ lại toàn bộ phương sai của dữ liệu.
PCA tạo ra các đặc trưng mới là tổ hợp tuyến tính của các đặc trưng gốc.
Loại Kernel nào sau đây ánh xạ dữ liệu lên một không gian đặc trưng có số chiều vô hạn?
Polynomial Kernel.
Sigmoid Kernel.
Linear Kernel.
RBF (Radial Basis Function) Kernel.
Một nhược điểm lớn của Kernel PCA so với PCA truyền thống là gì?
Không yêu cầu tinh chỉnh siêu tham số.
Khó tái tạo lại dữ liệu gốc (Pre-image problem).
Không thể xử lý dữ liệu có cấu trúc phi tuyến.
Tốc độ tính toán nhanh hơn rất nhiều khi n lớn.
Khi nào PCA là lựa chọn tốt hơn Feature Selection?
Khi chi phí tính toán không quan trọng và cần sự đơn giản.
Khi các đặc trưng ban đầu hoàn toàn độc lập với nhau.
Khi chúng ta cần biết chính xác đặc trưng gốc nào là quan trọng nhất.
Khi chúng ta muốn nén dữ liệu tối đa mà vẫn bảo toàn phương sai tổng thể.
