Câu Hỏi Trắc Nghiệm Giảm Chiều Dữ Liệu

Mục tiêu chính của việc giảm chiều dữ liệu là gì?

• Tăng số lượng đặc trưng

• Giữ lại thông tin quan trọng nhất và giảm độ phức tạp

• Loại bỏ toàn bộ dữ liệu không cần thiết

• Làm mượt tín hiệu

Một lợi ích nổi bật của giảm chiều là:

• Tăng số lớp mạng nơ-ron

• Tránh overfitting và hỗ trợ trực quan hóa

• Làm cho dữ liệu rối hơn

• Tạo nhãn cho dữ liệu

Kỹ thuật nào sau đây KHÔNG phải là một phương pháp giảm chiều phổ biến?

• PCA

• Autoencoder

• Random Forest

• t-SNE

PCA là kỹ thuật gì?

• Tuyến tính

• Không tuyến tính

• Dựa trên mạng nơ-ron

• Có giám sát

Thành phần chính trong PCA được xác định như thế nào?

• Bằng ma trận trọng số

• Qua mạng nơ-ron

• Dựa vào giá trị và vector riêng của ma trận hiệp phương sai

• Dựa vào độ tương đồng dữ liệu

PCA giúp giảm chiều bằng cách nào?

• Xóa ngẫu nhiên các đặc trưng

• Gán nhãn dữ liệu

• Chiếu dữ liệu lên các thành phần chính giữ nhiều phương sai nhất

• Sử dụng thuật toán tối ưu gradient

Một trong các bước quan trọng đầu tiên của PCA là gì?

• Chuẩn hóa dữ liệu

• Phân cụm dữ liệu

• Mã hóa dữ liệu

• Tăng số chiều

Nhược điểm lớn của PCA là:

• Tính toán phức tạp

• Mất mát thông tin và giới hạn tuyến tính

• Không thể trực quan hóa

• Không áp dụng cho ảnh

PCA đặc biệt phù hợp để:

• Làm đầu vào cho KNN hoặc SVM

• Tạo chuỗi thời gian

• Phân tích văn bản

• Tạo nhãn dữ liệu

t-SNE là kỹ thuật gì?

• Tuyến tính

• Không tuyến tính và không giám sát

• Có giám sát

• Dựa trên thống kê mô tả