Đề cương Khai phá dữ liệuKhai thác dữ liệu Data mining

Đề cương Khai phá dữ liệuKhai thác dữ liệu Data mining là: Tập hợp các câu hỏi trắc nghiệm, đã có đáp án được in đậm; Các câu hỏi đều nằm trong chương trình học và bám sát đề thi.Chúc các bạn ôn tập tốt và đạt kết quả cao.

Trang 1

CÂU 2: Support của tập mục A trong CSDL giao tác D là gì?

a Là tỉ lệ phần trăm số giao tác trong CSDL có chứa A trên tổng số các giao tác trong D

b Là tỉ lệ phần trăm số giao tác trong CSDL không chứa A trên tổng số các giaotác trong D

c Là chỉ số hỗ trợ trong A

d Là chỉ số hỗ trợ trong B

CÂU 3: Độ tin cậy của luật kết hợp X Y là gì?

a Là tỉ lệ phần trăm giữa số giao tác chứa cả X và Y với số giao tác chứa X trong CSDL D

b Là tỉ lệ phần trăm giữa số giao tác Y và số giao tác chứa X trong CSDL D

c Là tỉ lệ phần trăm giữa số giao tác X và số giao tác chứa Y trong CSDL D

d Là chỉ số hỗ trợ trong CSDL

CÂU 4: Confidence của luật kết hợp X Y là gì?

a Là tỉ lệ phần trăm giữa số giao tác chứa cả X và Y với số giao tác chứa X trong CSDL D

b Là tỉ lệ phần trăm giữa số giao tác Y và số giao tác chứa X trong CSDL D

c Là tỉ lệ phần trăm giữa số giao tác X và số giao tác chứa Y trong CSDL D

Trang 2

CÂU 6: Phần mềm Weka cài đặt một số thuật toán trong lĩnh vực nào?

a Data Mining

b Tìm kiếm văn bản

c Trí tuệ nhân tạo

d Học máy

CÂU 7: Tập mục thường xuyên là gì?

a Là tập mục có độ hỗ trợ lớn hơn hoặc bằng ngưỡng hỗ trợ hỗ trợ tối thiểu cho trước

c Không gian tìm kiếm

d Không gian giới hạn

CÂU 9: Đâu không phải là thuật toán khai phá dữ liệu bằng luật kết hợp?

a Thuật toán K-Mean

b Thuật toán Apriori

c Thuật toán AprioriTID

d Thuật toán FP -Growth

CÂU 10: Khai phá dữ liệu bằng luật kết hợp sử dụng thuật toán nào?

a Thuật toán Apriori

b Thuật toán K-Mean

c Thuật toán C4.5

d Thuật toán Thuật toán ID3

Trang 3

CÂU 11: Thuật toán Apriori sử dụng trong phương pháp khai phá dữ liệu nào?

a Khai phá dữ liệu bằng luật kết hợp

b Khai phá dữ liệu bằng phân cụm dữ liệu

c Khai phá dữ liệu bằng phân lớp dữ liệu

d Phương pháp mạng Nơ - ron

CÂU 12: Đầu vào của thuật toán FP_growth là gì?

Trang 4

b P Kriegel và J Sander

c Kaufman và Rousseeuw

d Tian Zhang, Amakrishnan và Livny

CÂU 17: Hoveland và Hind giới thiệu thuật toán CLS lần đầu tiên vào năm bao

CÂU 18: Kết quả của thuật toán CLS là đưa ra cây quyết định dựa trên:

a Các mẫu mô tả quyết định

b Các ngày để quan tâm

c Các con số tính toán

d Tất cả đều sai

CÂU 19: Hàm Entropy dùng để làm gì?

a Để đo tính thuần nhất của một tập mẫu dữ liệu

b Để đo tính không thuần nhất của dữ liệu xấu

c Để đo tính thuần của thuộc tính

d Các đáp án đều sai

CÂU 20: Cho tập ví dụ học như bảng Có bao nhiêu thuộc tính để phân lớp ?

a 4 thuộc tính

b 3 thuộc tính

Trang 5

c 5 thuộc tính

d 6 thuộc tính

CÂU 22: Cho tập ví dụ học như bảng Các thuộc tính dùng để phân lớp là:

a Outlook, Temperature, Humidity, Wind

b Outlook, Temperature, Humidity, Wind, Play Ball

c Day, Outlook, Temperature, Humidity, Wind

d Day, Outlook, Temperature, Humidity, Wind, Play Ball

CÂU 23: Khi chọn 1 thuộc tính A để làm gốc cây quyết định Nếu thuộc tính A có

3 giá trị thì cây quyết định có bao nhiêu nhánh?

a 3 nhánh

b 2 nhánh

c Nhiều nhánh

d Phải biết kết luận C có bao nhiêu giá trị thì mới phân nhánh được

CÂU 24: Cho tập ví dụ học như bảng Với (Wind =’Weak’) thì P+ mang giá trị

bao nhiêu:

a 2

Trang 7

CÂU 27: Thuật toán Apriori có nhược điểm chính là:

a Tốn nhiều bộ nhớ và thời gian Không thích hợp với các mẫu lớn Chi phí

để duyệt CSDL nhiều.

b Không tìm được các tập thường xuyên

c Kết quả của thuật toán không ứng dụng được trong các bài toán thực tế

d Thuật toán quá phức tạp, khó hiểu

CÂU 28: Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%) Tập nào

là tập mục thường xuyên thỏa Min_support:

a {A,C}

b {D}

c {A,D}

d {B, C, D}

không là tập mục thường xuyên:

a {A,C,D}

b {A,E}

c {A, C}

d {B,E}

CÂU 30: Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%) Cho

CSDL giao dịch như hình vẽ với Min_Support = 2 (50%) Tập nào không là tậpmục thường xuyên:

Trang 8

a {D}

b {A,E}

c {A, C}

d {B,E}

CÂU 31: Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%) Sử dụng

thuật toán Apriori, sau lần duyệt thứ nhất, tập mục chứa 1-item bị loại bỏ là:

a {D}

b {A}

c {B}

d {A}, {D}

không là tập mục thường xuyên:

a {B, D}

b {A, E}

Trang 9

c {A, C}

d {B, E}

là tập mục thường xuyên với độ hỗ trợ là 75%:

a {B,E}

b {A,E}

c {A, C}

d {B,C}

là tập mục thường xuyên với độ hỗ trợ là = 70%

a Không có tập nào

b {A, E}

c {A, C, D}

d {B, C, D}

CÂU 35: Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%),

Min_Cofidence = 50% Luật kết hợp nào thỏa mãn các điều kiện đã cho:

Trang 10

a A >C

b A >D

c A > E

d AB >C

a B >E

b A >D

c A > E

d AB >C

a A >C

b A >D

Trang 11

c A > E

d AB >C

Min_Cofidence = 50% Luật kết hợp nào có độ tin cậy = 100%

Trang 13

c Tìm các tập mục có k - item

d Thực hiện công việc khác

CÂU 43: Cho cơ sở dữ liệu giao dịch gồm N giao dịch (bản ghi) I là tập chứa tất

cả các mục (item) trong CSDL X là một tập chứa các mục thuộc I Giao dịch hỗtrợ X là giao dịch chứa tất cả các mục có trong X Độ hỗ trợ của tập mục X đượcđịnh nghĩa là:

a Support(X)=Số lượng giao dịch hỗ trợ X / N

b Support(X)=Số lượng giao dịch hỗ trợ X

c Support(X)=Số lượng giao dịch hỗ trợ X / N * |I|, trong đó |I| là tổng số mụctrong CSDL

d Support(X)=Số lượng giao dịch hỗ trợ X *100%

cả các mục (item) trong CSDL X, Y là tập chứa các mục thuộc I Độ tin cậy củaluật kết hợp X Y được định nghĩa là:

a Confidence(XY)=Số lượng giao dịch hỗ trợ cả X và Y / Số lượng giao dịch

hỗ trợ X

b Confidence(XY)=Số lượng giao dịch hỗ trợ X / Số lượng giao dịch hỗi trợ Y

c Confidence(XY)=Số lượng giao dịch hỗ trợ cả X và Y / Số lượng giao dịch hỗtrợ Y

d Confidence(XY)=Số lượng giao dịch hỗ trợ cả X và Y /N

cả các mục (item) trong CSDL X, Y là tập chứa các mục thuộc I Độ hỗ trợ củaluật kết hợp X Y được định nghĩa là:

a Support(XY)=Số lượng giao dịch hỗ trợ cả X và Y / N

b Support(XY)=Số lượng giao dịch hỗ trợ cả X và Y / Số lượng giao dịch hỗ trợY

c Support(XY)=Số lượng giao dịch hỗ trợ cả X và Y / Số lượng giao dịch hỗ trợX

d Support(XY)=Số lượng giao dịch hỗ trợ cả X / Số lượng giao dịch hỗ trợ Y

Trang 14

cả các mục (item) trong CSDL Min_Supp là độ hỗ trợ tối thiểu X là tập chứa cácmục thuộc I Tập mục X được gọi là tập mục thường xuyên (frequent itemset) nếu:

a Support(X)>=Min_Supp

b Support(X)<=Min_Supp

c Support(X)=Min_Supp

d Support(X) = Min_Supp/N

cả các mục (item) trong CSDL Min_Supp là độ hỗ trợ tối thiểu, Min_Conf là độtin cậy tối thiểu X, Y là tập chứa các mục thuộc I Luật kết hợp XY được chọnnếu:

a Support(XY)>=Min_Supp, Confidence(XY)>=Min_Conf

b Support(XY)=Min_Supp, Confidence(XY)=Min_Conf

c Support(XY)<Min_Supp, Confidence(XY)<Min_Conf

d Support(XY)>Min_Supp, Confidence(XY)=Min_Conf

CÂU 48: Cho CSDL giao dịch như hình vẽ Độ hỗ trợ tối thiểu Min_Support = 3

(60%) và độ tin cậy tối thiểu Min_Confidence = 100%

Các tập mục thường xuyên có 1 mục thỏa mãn Min_Supp là:

a F:4, C:4, A:3, C:3, M:3, P:3

b C:4, A:3, C:3, M:3, P:3

c F:4, C:4

Trang 15

d A:3, C:3, M:3, P:3

CÂU 49: Cho CDSL giao dịch như hình vẽ, Độ hỗ trợ tối thiểu Min_Support = 3

Tập mục thường xuyên có 4 mục thỏa mãn Min_Supp là:

a FCAM:3

b FCAM:2

c FC:4

d FCAM:4

Cơ sở điều kiện của nút M là:

a {F:2, C:2, A:2} và { F:1, C:1, A:1, B:1}

Trang 16

b {F:2, C:2, A:2}

c F:1, C:1, A:1

d F: 3, C:3, A:3

Cơ sở điều kiện của nút M là:

a {F:2, C:2, A:2, M:2} và { C:1, B:1}

b {F:2, C:2, A:2, M:2}

c C:3

d F: 3, C:3, A:3

CÂU 52: Cho CDSL giao dịch như hình vẽ Độ hỗ trợ tối thiểu Min_Support = 3

Trang 17

Cây điều kiện FP của P là:

a {C:3}| p

b {CF:3}|p

c {C:4}|p

d Cây điều kiện là rỗng

Cây điều kiện FP của A là:

a {F:3, C:3}| p

b {CF:3}|p

c {C:4}|p

d Cây điều kiện là rỗng

CÂU 54: Cho CSDL giao dịch gồm N mục phân biệt, tổng số các tập mục được

CÂU 55: Cho A, B, C, D là các item và A >BC là luật kết hợp thỏa mãn độ hỗ trợ

tối thiểu Min_Sup và độ tin cậy tối thiểu Min_Conf Hãy cho biết luật kết hợp nào

Trang 18

sau đây chắc chắn thỏa mãn Min_Sup và Min_Conf mà không cần phải tính độ hỗtrợ và độ tin cậy:

a AB >C

b A >D

c ABD >C

d D >C

CÂU 56: Cho A, B, C, là các item và A >BC là luật kết hợp thỏa mãn độ hỗ trợ

tối thiểu Min_Sup và độ tin cậy tối thiểu Min_Conf Ta thấy rằng luật kết hợpAB >C cũng thỏa mãn điều kiện về độ hỗ trợ tối thiểu và độ tin cậy tối thiểu vì:

CÂU 57: Cho A, B, C, D là các mục trong cơ sở dữ liệu giao dịch Kết luận nào

sau đây là sai:

CÂU 59: Giả sử ta có các tập mục thường xuyên {A,B}, {A,C}, {B,D} chứa

2-item Sử dụng thuật toán Apriori để ghép các tập mục có 2-item thành các tập mục

có 3-item , các ứng viên sinh ra có 3-item là:

a {A, B, C}, {A, B, D}

Trang 19

b {A, B, C}, {A, B, D}, {A, B, C, D}

b Tổ hợp k item từ các item có trong cơ sở dữ liệu giao dịch

c Lấy ngẫu nhiên k item sau đó ghép lại với nhau

d Sinh mọi tập con có k item từ các item có trong cơ sở dữ liệu giao dịch

CÂU 61: Cho tập L3={abc, abd, ade, ace} là các tập mục thường xuyên chứa

3-item Để tạo các ứng viên chứa 4-item abcd, ta cần ghép các tập chứa 3-item nàovới nhau?

Trang 20

CÂU 63: k-Mean phù hợp với các cụm có hình dạng nào sau đây:

a Dạng hình cầu

b Cụm dài và mảnh

c Các cụm có các điểm phân bố ngẫu nhiên

d Hình dạng bất kỳ

CÂU 64: Thuật toán phân cụm K-MEANS dừng khi:

a Không thể gán (hoặc gán lại) từng điểm vào cụm khác

b Số cụm sinh ra là k

c Tùy theo yêu cầu của người dùng

d Khi tất cả các phần tử đã được gán vào k cụm

CÂU 65: Hãy chọn phát biểu sai trong các phát biểu sau đây về thuật toán phân

cụm K-MEANS:

a Phụ thuộc vào thứ tự các phần tử đưa vào phân cụm

b Cần phải xác định trước số cụm cần sinh ra

c K-MEANS phù hợp với các cụm có dạng hình cầu

d Vector được chọn làm trọng tâm của mỗi cụm là vector trung bình của cụm đó

CÂU 66: Thuật toán phân cụm nào sau đây có thể tìm ra các cụm với hình thù bất

a 6 luật, không tính luật X → ∅ và ∅ → X

b 8 luật, không tính luật X → ∅ và ∅ → X

c 3 luật

d 1 luật

Trang 21

CÂU 68: Cho CSDL giao dịch như hình vẽ với Min_Support = 2 (50%)

Sử dụng thuật toán Apriori, sau lần duyệt thứ hai, danh sách L2 chứa các tập mụcthường xuyên có 2-item được tạo ra là:

a L2={{A,C}, {B,C}, {B,E}, {C,E}}

b L2={{ A,D}, {B,D}, {B,E}, {C,E}}

TB (c L2= {{B,C}, {B,E}, {C,E}}

d L2= {{A,C}, {C,E}}

CÂU 69: Với công thức tính Gain thông thường không phù hợp với tình huống

nào ?

a Với các thuộc tính có rất nhiều giá trị

b Không phụ hợp với ba thuộc tính

c Không phù hợp với tập chỉ có duy nhất một mẫu

d Mọi trường hợp đều phù hợp

CÂU 70: Cho tập ví dụ học như bảng P(Play Ball= ‘No’) là:

a 1/2

b 1/3

c 0/3

Trang 22

CÂU 72: Cho ví dụ trong bảng với thuộc tính Wind, thì:

a P(Weak | Yes)=2/4; P(Weak | No) = 2/4; P(Strong | Yes) = 1/2; P(Strong | No)

Định dạng
Số trang	23
Dung lượng	153,26 KB