資料探勘之分類與分群演算法應用

📝 歷屆考古題

• 113年 moea_joint_essay 第一題
  請論述分類方法決策樹(Decision Tree)、支持向量機(Support Vector Machine)和基於規則演算法(Rule-based Algorithm)，何者較適合用來做不平衡資料的…
  查看 AI 詳解 →
• 113年 moea_joint_essay 第二題
  請論述正確率(accuracy)、F測度(F measure)和召回率(recall)，何者較適合用來評估分類方法在不平衡資料上的效能？
  查看 AI 詳解 →
• 113年 moea_joint_essay 第二題
  使用關聯分析來搜尋關聯規則時，須設定最小支持度(support)和最低信賴度(confidence)，請分別說明設定以該 2 項為搜尋門檻值(threshold)用意為何？（8 分）
  查看 AI 詳解 →
• 112年 moea_joint_essay 第一題
  一、 卷積神經網路(convolution neural network)可由二維矩陣中取出一維特徵向量，以利後續建立單層或深度神經網路。有一維度為 5×5 之二維矩陣如【圖 1】所示，有一維度為 3…
  查看 AI 詳解 →
• 112年 moea_joint_essay 第二題
  二、 某資料庫之交易資料如【表 1】所示，其中每 1 列為 1 筆交易，TID 欄位為交易序號，items 欄位為 1 筆交易所包括之項目，請以 Apriori 演算法(設定最小支持度為 4)求出所有…
  查看 AI 詳解 →
• 112年 moea_joint_essay 第三題
  三、某一維資料集有 6 筆資料：(10,25,45,55,80,90)，若以 k-means 演算法，分為 A、B、C 群集，群集中心起始值分別為(0,40,100)，如【表 2】所示。請列出前 3…
  查看 AI 詳解 →
• 111年 moea_joint_essay 第一題
  若你是銷售人員，請問哪一項客戶分類資料，能直接說明最有效的銷售？（3 分）
  查看 AI 詳解 →
• 111年 moea_joint_essay 第二題
  請問年齡層為中年的客群，購買筆記型電腦的機率為何（2分）？並說明原因（5分）。
  查看 AI 詳解 →
• 111年 moea_joint_essay 第三題
  請以年齡特徵作為根節點，針對客戶分類，建立一個最有效的銷售之決策樹。（6分）
  查看 AI 詳解 →
• 110年 moea_joint_essay 第一題
  此方法適用何種資料型態？
  查看 AI 詳解 →
• 110年 moea_joint_essay 第一題
  請說明正規化之目的。（1 分）
  查看 AI 詳解 →
• 110年 moea_joint_essay 第二題
  此方法利用一種 tree 資料結構，請說明 internal 節點(除 pointer 之外)儲存何種資料？
  查看 AI 詳解 →
• 110年 moea_joint_essay 第二題
  請說明常用之 3 種正規化方法。（每個答案 3 分，共 9 分）
  查看 AI 詳解 →
• 110年 moea_joint_essay 第三題
  此資料結構透過何種機制，達成可處理大量資料，不受記憶體大小限制？
  查看 AI 詳解 →
• 110年 moea_joint_essay 第三題
  請針對下表的資料進行關聯規則分析，資料為購買商品的交易紀錄，設定最小支持度 min_sup = 30 %與最小信心度 min_conf = 80 %為強關聯規則的最低門檻。請寫出以下商品的所有強關聯規…
  查看 AI 詳解 →
• 110年 moea_joint_essay 第四題
  BIRCH 建構完成 tree 後，可再採用其他分群組方法，假設採用 k-means clustering，以 elbow curve method 決定群組個數 k，請說明 elbow curve…
  查看 AI 詳解 →
• 109年 moea_joint_essay 第一題
  採用 k-均值分群法(k-means clustering)將【年齡】分成青年與壯年二族群，以標籤取代數值，離散化(discretization)或稱二分法(dichotomization)的結果為何…
  查看 AI 詳解 →
• 109年 moea_joint_essay 第一題
  應於輸入層設計幾個神經元？為什麼？（3 分）
  查看 AI 詳解 →
• 109年 moea_joint_essay 第二題
  延續上題，進行【年齡】離散化後，若用單純貝氏分類器(Naïve Bayes)來建立【考績】的預測模型，新進員工【工號 = 031, 年齡 = 50, 性別 = 男, 部門 = 研發】的預測考績為何？請…
  查看 AI 詳解 →
• 109年 moea_joint_essay 第二題
  應於輸出層設計幾個神經元？為什麼？（3 分）
  查看 AI 詳解 →
• 109年 moea_joint_essay 第三題
  如果資料庫中有 10 萬筆此種客戶資料，應如何運用這些資料做訓練及測試？（4 分）
  查看 AI 詳解 →
• 108年 moea_joint_essay 第一題
  若定義群集間之距離，為各自包含物件間之最小距離(單一鏈結 Single-linkage)，請以聚合式階層分群法，由下而上建立 A ~ F 這 6 個物件之群集樹狀圖(Dendrogram)並簡述各步驟…
  查看 AI 詳解 →
• 108年 moea_joint_essay 第二題
  若將這 6 個物件分為 3 個群集，試問其做法為何？另各群集中含有哪些物件？（5 分）
  查看 AI 詳解 →
• 107年 moea_joint_essay 第一題
  假設使用 feed-forward back-propagation neural network 建構了一個分類器，後來發現此分類器有 overfitting 的現象發生。如果想透過修改此類神經網路…
  查看 AI 詳解 →
• 107年 moea_joint_essay 第二題
  在相關規則的計算中，假設 A、B、C、D 與 E 代表各 item，如果在所有 2-itemset 中，只有{A,B}、{B,C}、{A,D}、{A,C}、{C,D}是頻繁項目集(frequent i…
  查看 AI 詳解 →
• 107年 moea_joint_essay 第三題
  針對一交易資料集，假設項目 A、B、C 的 support 值是 A=50\%、B=80\%、C=60\%，2-itemset 的 support 值是{A,B}=35\%、{B,C}=32\%、{A…
  查看 AI 詳解 →
• 106年 moea_joint_essay 第一題
  此方法除了須事先設定 k 值外，通常還有哪些缺點？
  查看 AI 詳解 →
• 106年 moea_joint_essay 第一題
  請說明何謂 kNN 方法。（5 分）
  查看 AI 詳解 →
• 106年 moea_joint_essay 第一題
  請畫出本工程 AOE(Activity On Edge)網路圖。
  查看 AI 詳解 →
• 106年 moea_joint_essay 第二題
  在無法事先決定 k 值下，對數值資料進行分群，當反覆嘗試各種 k 值時，如何判斷該 k 值已經是最適當之數值？
  查看 AI 詳解 →

• 106年 moea_joint_essay 第二題
  請寫出【表 1】中各欄位(交易編號除外)分別屬於符號型(Nominal)、次序型(Ordinal)、亦或數值型(Numerical)欄位，以及其適合之相似度(Similarity)計算方式。（10 分…
  查看 AI 詳解 →
• 106年 moea_joint_essay 第三題
  假設 k=3 且各欄位的重要性都一樣，請使用上題回答之計算方式，判斷下列新產生之刷卡紀錄為正常或被盜刷。(未列出算式不計分)（10 分）交易編號=011、退貨與否=否、婚姻狀況=已婚、信用等級=高、月…
  查看 AI 詳解 →
• 105年 moea_joint_essay 第一題
  第一個被選出成為決策樹的根節點的屬性為何？（5 分）
  查看 AI 詳解 →
• 105年 moea_joint_essay 第一題
  請簡述頻繁樣式的向下封閉性質。（5 分）
  查看 AI 詳解 →
• 105年 moea_joint_essay 第二題
  請畫出此決策樹，並預測新進資料(收入= l、年齡= l、信用= h)的資料類別。（10 分）
  查看 AI 詳解 →
• 105年 moea_joint_essay 第二題
  請利用 Apriori Algorithm 分析【表 2】顧客交易紀錄，詳列頻繁樣式探勘之過程與結果（假定最小支持(minimal support)為 2 次）。（15 分）
  查看 AI 詳解 →
• 104年 moea_joint_essay 第一題
  請列出在資料探勘中，以決策樹為基礎的分類方法有哪些？（10 分）
  查看 AI 詳解 →
• 104年 moea_joint_essay 第二題
  假設現在有一些文件需要被分類成+和−兩類，為簡化起見，我們僅考慮 3 個詞，分別是"資料庫"、"資料探勘"和"電子商務"，我們共有 2100 份文件的訓練資料集，它們對於這 3個詞和類別的資訊如【表…
  查看 AI 詳解 →