100+ câu trắc nghiệm Khai phá dữ liệu có đáp án - Phần 5

Thuật toán Quilan chọn ngẫu nhiên 1 thuộc tính để làm gốc cây quyết định

Độ phân biệt (độ lộn xộn) của một thuộc tính với kết luận C cao nhất thì Entropy của nó thấp nhất

Thuật toán học khái niệm CLS chọn ngẫu nhiên 1 thuộc tính để làm gốc cây quyết định

Entropy là một số biến thiên trong đoạn

Số kết luận Yes = Số kết luận No

Số kết luận Yes = 0

Số kết luận No = 0

Không kết luận được điều gì

Số kết luận Yes = 0 hoặc Số kết luận No

Số kết luận Yes = Số kết luận No

Số kết luận No = 1 và Số kết luận Yes = 1

Không kết luận được điều gì

Thuộc tính có độ phân biệt cao nhất

Thuộc tính có độ phân biệt thấp nhất

Thuộc tính có Entropy cao nhất

Chọn ngẫu nhiên

Chọn ngẫu nhiên

Thuộc tính có độ phân biệt thấp nhất

Thuộc tính có Entropy cao nhất

Thuộc tính có độ phân biệt cao nhất

[0; 1]

(0; 1)

Miền giá trị là tập số nguyên dương

Miền giá trị là tập số thực dương

Xây dựng cây quyết định

Tìm các luật

Tìm độ phân biệt của các thuộc tính

Giúp ta tìm ra 1 thuộc tính làm gốc cây quyết định

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

Humidity = High

Wind = Weak

Outlook = Sunny

Humidity = Normal

2 luật

3 luật

1 luật

4 luật

If Humidity = High Then Play Ball = No và If Outlook = Rain Then Play Ball = No

If Humidity = High Then Play Ball = No

If Humidity = Normal Then Play Ball = No và If Outlook = Rain Then Play Ball = No

If Outlook = Sunny Then Play Ball = No và If Wind = Strong Then Play Ball = No

If Outlook = Overcast Then Play Ball = No và If Outlook = Sunny and Temperature = Cold Then Play Ball = Yes

If Humidity = Normal Then Play Ball = Yes

If Humidity = Weak Then Play Ball = Yes và If Outlook = Overcast Then Play Ball = Yes

If Outlook = Sunny Then Play Ball = Yes và If Wind = Strong Then Play Ball = Yes

2 luật

3 luật

1 luật

0 luật

4 luật

3 luật

2 luật

6 luật

Outlook = Overcast

Wind = Weak

Outlook = Sunny

Humidity = Normal

Đây là một độ đo chỉ ra mức độ tương tự hay không tương tự giữa hai vector đặc trưng

Độ đo giữa 2 phần tử bất kỳ

Khoảng cách giữa 2 phần tử trong không gian

Độ đo sử dụng trong Data Mining để phân cụm dữ liệu

Độ đo tương tự và độ đo không tương tự

Độ đo khoảng cách và độ đo tình cảm

Độ đo Ơclit và độ đo phi Ơclit

Độ đo tương tự và độ đo khoảng cách trong không gian 2 chiều

Độ đo không tương tự

Độ đo tương tự

Độ đo giữa 2 đối tượng cùng loại

Độ đo giữa 2 đối tượng khác loại

d = sqr(sqrt(x1 - x2) + sqrt(y1 - y2)), trong đó sqr là hàm bình phương, sqrt là hàm lấy căn.

d = sqr(sqrt(x1 + x2) + sqrt(y1 + y2)), trong đó sqr là hàm bình phương, sqrt là hàm lấy căn.

d = x1 * x2 + y1 * y2

Công thức khác

d(A, B) = 5

d(A, B) = 3

d(A, B) = 4

d(A, B) = 1

mC = (x1 + x2 + ... + xk) / k

mC = (x1 + x2 + ... + xk)

mC = (x1 + x2 + ... + xk) / N

mC = (x1 + x2 + ... + xk) / k * N

Khoảng cách từ x đến tâm cụm C là nhỏ nhất

Khoảng cách từ x đến tâm cụm C là lớn nhất

Khoảng cách từ x đến tâm cụm C bằng 0

Khoảng cách từ x đến tâm cụm C bằng k

Tính lại tâm của các cụm

Tính khoảng cách giữa các phần tử trong cụm

Tìm một số phần tử đại diện của cụm

Trộn các cụm lại với nhau để số cụm sinh ra là ít nhất

C1 = {A, B}; C2 = {C, D}

C1 = {A, C}; C2 = {B, D}

C1 = {A, B, C}; C2 = {D}

C1 = {A, B, D}; C2 = {C}

C1 = {A, B, E}; C2 = {C, D}

C1 = {A, C, E}; C2 = {B, D}

C1 = {A, B, C}; C2 = {D, E}

C1 = {A, B, D}; C2 = {C, E}

mC = (2; 1)

mC = (2; 0)

mC = (2.5; 1.5)

mC = (0; 0)

mC = (3; 2)

mC = (2; 3)

mC = (2.5; 1.5)

mC = (6; 1)