Khoa học dữ liệu - PCA, hồi quy tuyến tính và hồi quy logistic
Tạo đề thi, làm bài thi, theo dõi kết quả ngay trên điện thoại — mọi lúc mọi nơi!
Tải trên Google Play Tải trên App StoreNội dung đề thi: Khoa học dữ liệu - PCA, hồi quy tuyến tính và hồi quy logistic
Xem trước 25/229 câu hỏi trong đề. Bấm Vào thi để làm bài trực tuyến, được chấm điểm và xem đáp án chi tiết.
Câu 1. Sau chuẩn hóa Z-score, trung bình của mỗi biến xấp xỉ bao nhiêu?
- A. 0
- B. 100
- C. -1
- D. 1
Câu 2. Sau chuẩn hóa Z-score, độ lệch chuẩn của mỗi biến xấp xỉ bao nhiêu?
- A. 0
- B. 1
- C. 10
- D. 100
Câu 3. Các principal components khác nhau trong PCA chuẩn có quan hệ hình học nào?
- A. Luôn trùng nhau
- B. Không có hướng xác định
- C. Trực giao với nhau
- D. Song song với nhau
Câu 4. Khi giảm từ 6 biến xuống 2 PC, số chiều mới là bao nhiêu?
- A. 6
- B. 8
- C. 4
- D. 2
Câu 5. PCA là phương pháp có giám sát hay không giám sát?
- A. Không giám sát
- B. Chỉ dùng cho học tăng cường
- C. Bán giám sát bắt buộc
- D. Có giám sát
Câu 6. Vì sao cần chuẩn hóa GDP và Happiness trước PCA?
- A. Vì Happiness là biến phân loại
- B. Vì hai biến có thang đo rất khác nhau
- C. Vì PCA không chấp nhận số thập phân
- D. Vì GDP luôn có giá trị âm
Câu 7. Nếu không chuẩn hóa dữ liệu có thang đo rất khác nhau, điều gì có thể xảy ra?
- A. Số quan sát tăng lên
- B. Tất cả eigenvalue bằng 0
- C. Biến có thang đo lớn chi phối PCA
- D. PCA tự động chuyển thành hồi quy
Câu 8. Tại sao PCA ưu tiên hướng có phương sai lớn?
- A. Hướng đó có ít biến nhất
- B. Hướng đó luôn có trung bình lớn
- C. Hướng đó luôn song song trục X
- D. Hướng đó giữ nhiều sự biến thiên giữa các quan sát
Câu 9. Nếu dữ liệu chiếu lên một hướng có phương sai rất nhỏ, điều đó gợi ý gì?
- A. Các điểm bị nén gần nhau trên hướng đó
- B. Dữ liệu có thêm chiều
- C. Mọi biến đều độc lập
- D. Hướng đó giữ nhiều khác biệt nhất
Câu 10. Với hai biến tương quan dương mạnh, PC1 thường có xu hướng nào?
- A. Luôn bằng trung bình cộng không chuẩn hóa
- B. Kết hợp hai biến theo cùng chiều
- C. Chỉ giữ biến thứ nhất
- D. Lấy hiệu tuyệt đối bắt buộc
Câu 11. Với X và Y tương quan dương mạnh, hướng X+Y thường có phương sai như thế nào so với X-Y?
- A. Luôn nhỏ hơn
- B. Luôn bằng 0
- C. Thường lớn hơn
- D. Luôn bằng nhau
Câu 12. Ràng buộc wᵀw = 1 trong PCA nhằm mục đích gì?
- A. Buộc eigenvalue bằng 1
- B. Buộc mọi phần tử w bằng 1
- C. Làm tổng dữ liệu bằng 1
- D. Giữ độ dài w bằng 1 để chỉ tối ưu hướng
Câu 13. Nếu không có ràng buộc độ dài của w, bài toán cực đại wᵀΣw gặp vấn đề gì?
- A. Có thể tăng vô hạn bằng cách phóng đại w
- B. Không thể tính covariance
- C. Mọi eigenvector bằng 0
- D. Số biến tự động giảm
Câu 14. Vì sao ma trận hiệp phương sai là ma trận đối xứng?
- A. Mọi biến có cùng trung bình
- B. Cov(X,Y)=Cov(Y,X)
- C. Var(X)=Cov(X,Y) luôn đúng
- D. Eigenvalue luôn bằng nhau
Câu 15. Khi dữ liệu đã chuẩn hóa, ma trận covariance gần với ma trận nào?
- A. Ma trận nhãn
- B. Ma trận nhầm lẫn
- C. Ma trận tương quan
- D. Ma trận khoảng cách Manhattan
Câu 16. Nếu Cov(X,Y) > 0, cách hiểu phù hợp nhất là gì?
- A. X và Y chắc chắn có quan hệ nhân quả
- B. X luôn lớn hơn Y
- C. X và Y luôn bằng nhau
- D. X và Y có xu hướng biến thiên cùng chiều
Câu 17. Nếu Cov(X,Y) < 0, cách hiểu phù hợp nhất là gì?
- A. X và Y có xu hướng biến thiên ngược chiều
- B. X luôn âm
- C. Y luôn bằng 0
- D. X và Y không có quan hệ nào
Câu 18. Eigenvalue lớn nhất tương ứng với thành phần nào?
- A. PC cuối cùng
- B. PC1
- C. Trung bình dữ liệu
- D. Biến gốc đầu tiên bắt buộc
Câu 19. Nếu λ1 lớn hơn rất nhiều λ2, điều đó cho thấy gì?
- A. PC2 quan trọng hơn PC1
- B. PCA không thể giảm chiều
- C. Phần lớn phương sai tập trung theo PC1
- D. Hai PC giữ thông tin như nhau
Câu 20. Nếu EVR của PC1 là 0.65, phát biểu nào đúng?
- A. PC1 chứa 65% số quan sát
- B. PC1 có 65 biến
- C. PC1 có độ chính xác 65%
- D. PC1 giải thích 65% tổng phương sai
Câu 21. Nếu EVR1=0.60 và EVR2=0.25, tổng phương sai hai PC giữ được là bao nhiêu?
- A. 85%
- B. 60%
- C. 25%
- D. 35%
Câu 22. Nếu 2 PC đầu đạt cumulative explained variance 0.88, điều đó có nghĩa gì?
- A. Hai PC chứa 88% số dòng
- B. Hai PC giữ khoảng 88% tổng phương sai
- C. Đã xóa 88% dữ liệu
- D. Độ chính xác phân loại là 88%
Câu 23. Tại sao không nhất thiết giữ tất cả principal components?
- A. PC sau không có eigenvector
- B. PCA chỉ cho phép tối đa 2 PC
- C. Các PC sau có thể chỉ giải thích ít phương sai
- D. PC sau luôn sai
Câu 24. Ngưỡng 85% explained variance có ý nghĩa gì?
- A. Eigenvalue luôn phải bằng 0.85
- B. Một định luật bắt buộc của PCA
- C. Mọi dữ liệu phải có đúng 2 PC
- D. Một tiêu chí thực hành để chọn số PC cần giữ
Câu 25. Số PC cần giữ có luôn bằng 2 không?
- A. Không, phụ thuộc dữ liệu và ngưỡng mong muốn
- B. Không, luôn phải giữ đúng 3 PC
- C. Có, nếu dùng Python
- D. Có, PCA chỉ tạo được 2 PC
… và còn 204 câu nữa. Bấm Vào thi phía trên để làm toàn bộ 229 câu và xem đáp án.
