Lista delle Domande

Filtra per: A C D E G I L N O P Q S U � Reset filtro
152 / 152 domande visibili
ID Domanda Risposte Risposta Esatta Azioni
247 Che cosa è il Data Mining?
  • 1)
    Il processo che estrae fenomeni dai dati mediante l'applicazione di diversi algoritmi.
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il processo che estrae nuova conoscenza o identifica pattern/modelli nei dati mediante l'applicazione di diversi algoritmi.
  • 4)
    Il processo che estrae dati dai fenomeni mediante l'applicazione di diversi algoritmi.
 1
248 Che cosa è un pattern?
  • 1)
    Una espressione in un determinato linguaggio che descrive i fatti di un sottoinsieme di registrazioni presenti in un database
  • 2)
    Una espressione in un determinato linguaggio che descrive modelli predittivi estratti da un sottoinsieme di registrazioni presenti in un database
  • 3)
    Nessuna delle altre alternative
  • 4)
    Una espressione in un determinato linguaggio che descrive modelli descrittivi estratti da un sottoinsieme di registrazioni presenti in un database
 1
249 Quale fra le seguenti attività non fa parte del processo di KDD?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Data Mining
  • 3)
    Selezione
  • 4)
    Interpretazione
 1
250 Cosa si intende per knowledge elicitation?
  • 1)
    Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 2)
    Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
 1
251 Cosa si intende per knowledge elicitation?
  • 1)
    Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 2)
    Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.
 1
252 A cosa servono i modelli predittivi?
  • 1)
    Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
  • 2)
    Il loro obiettivo è quello di descrivere i dati per effettuare delle previsioni future.
  • 3)
    Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai dati.
  • 4)
    Nessuna delle altre alternative
 1
253 A cosa servono i modelli descrittivi?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai dati.
  • 3)
    Vengono utilizzati per descrivere i dati per effettuare delle previsioni future.
  • 4)
    Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
 1
254 Quali sono i pilastri operativi su cui si basa ogni algoritmo di data mining?
  • 1)
    Esplorazione, Valutazione, Visualizzazione
  • 2)
    Esplorazione, Modellazione, Valutazione
  • 3)
    Nessuna delle altre alternative
  • 4)
    Selezione, Modellazione, Valutazione
 1
255 Cosa succede durante un addestramento supervisionato?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation.
  • 3)
    Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico.
  • 4)
    I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema.
 1
256 A cosa serve la cross validation?
  • 1)
    Nessuna delle altre alternative
  • 2)
    A migliorare l'adattabilità dei modelli
  • 3)
    A migliorare la capacità di generalizzazione dei modelli
  • 4)
    A migliorare l'accuratezza dei modelli
 1
257 Che cosa è l'overfitting?
  • 1)
    È il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e perde la capacità di generalizzazione.
  • 2)
    È il fenomeno per cui in fase di addestramento un modello allontana molto dal campione osservato e assume una grande capacità di generalizzazione.
  • 3)
    Nessuna delle altre alternative
  • 4)
    È il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e assume una grande capacità di generalizzazione.
 1
258 Cosa succede durante un addestramento non supervisionato?
  • 1)
    Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico.
  • 2)
    Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation.
  • 3)
    I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema.
  • 4)
    Nessuna delle altre alternative
 1
259 Quale è il dominio degli attributi categorici?
  • 1)
    Intero
  • 2)
    Nessuna delle altre alternative
  • 3)
    Reale
  • 4)
    Razionale
 1
260 Cosa sono gli istogrammi?
  • 1)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 2)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
  • 3)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 4)
    Nessuna delle altre alternative.
 1
261 Cosa sono gli scatter plot?
  • 1)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 2)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 3)
    Nessuna delle altre alternative.
  • 4)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
 1
262 Cosa sono i box plot?
  • 1)
    Sono dei grafici che consentono di verificare rapidamente se due variabili sono correlate (dipendenti linearmente) fra di loro.
  • 2)
    Si tratta di visualizzazioni grafiche che consentono di sintetizzare con 5 valori le caratteristiche di una distribuzione. Tali valori sono: minimo, massimo, mediana, primo quartile, terzo quartile.
  • 3)
    Sono dei diagrammi che consentono di visualizzare la frequenza con cui si distribuiscono i dati divisi in classi (banalmente in intervalli).
  • 4)
    Nessuna delle altre alternative.
 1
263 Che cosa è la mediana di una variabile casuale X?
  • 1)
    È l'indicatore che indica quale è il valore di X che si presenta più frequentemente nei dati.
  • 2)
    È un indice di posizione: una volta ordinati tutti i valori assunti da X, la mediana si calcola estraendo il valore del campione che divide la distribuzione in due popolazioni di eguali dimensioni.
  • 3)
    È un indicatore che sostanzialmente si calcola come il valor medio.
  • 4)
    È una media pesata.
 2
264 Che cosa è la moda di una variabile casuale X?
  • 1)
    È un indicatore che sostanzialmente si calcola come il valor medio.
  • 2)
    È un indice di posizione: una volta ordinati tutti i valori assunti da X, la moda si calcola estraendo il valore del campione che divide la distribuzione in due popolazioni di eguali dimensioni.
  • 3)
    È una media pesata.
  • 4)
    È l'indicatore che indica quale è il valore di X che si presenta più frequentemente nei dati.
 4
265 Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati?
  • 1)
    Riduzione dei dati
  • 2)
    Pulizia dei dati
  • 3)
    Integrazione dei dati
  • 4)
    Nessuna delle altre alternative
 4
266 Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati?
  • 1)
    Riduzione dei dati
  • 2)
    Gestione dei dati
  • 3)
    Trasformazione dei dati
  • 4)
    Pulizia dei dati
 2
267 Cosa si intende per riduzione della dimensionalità?
  • 1)
    Si parla di riduzione dimensionale quando i dati sono sostituiti da dati sottocampionati.
  • 2)
    Si parla di riduzione dimensionale quando i dati sono sostituiti da delle rappresentazioni di più piccole dimensioni si parla di riduzione della numerosità (esempio uso di cluster o istogrammi).
  • 3)
    Nessuna delle altre alternative.
  • 4)
    Si parla di riduzione dimensionale quando vengono applicate delle tecniche per codificare i dati secondo degli schemi precisi al fine di ottenere una rappresentazione compressa o ridotta dei dati originali (esempio uso di Trasformate o tecniche di selezione di attributi).
 4
268 Quali fra le seguenti tecniche non si usano in fase di gestione dei missing value?
  • 1)
    Riempimento a mano dei valori mancanti
  • 2)
    Ignorare la tupla contenente valori mancanti
  • 3)
    Nessuna delle altre alternative
  • 4)
    Sostituzione dei valori mancanti con il valore più probabile
 3
269 L'analisi degli outlier può essere usata per:
  • 1)
    Ridurre la dimensionalità
  • 2)
    Nessuna delle altre alternative
  • 3)
    Identificare e gestire i missing value
  • 4)
    Identificare e gestire i dati rumorosi
 4
270 L'analisi in regressione può essere usata per:
  • 1)
    Identificare e gestire i dati rumorosi
  • 2)
    Gestire dati provenienti da sorgenti eterogenee
  • 3)
    Fare selezione di attributi
  • 4)
    Nessuna delle altre alternative
 1
271 Con quali tecniche si gestiscono i missing value?
  • 1)
    Data cleaning
  • 2)
    Data Transformation
  • 3)
    Data Reduction
  • 4)
    Nessuna delle altre alternative
 1
272 Quali sono i passi da effettuare nel processo di data integration?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Identificazione delle identità, Identificazione e risoluzione dei conflitti nei dati, identificazione delle ridondanze
  • 3)
    Identificazione delle entità, identificazione dei conflitti nei dati, identificazione delle ridondanze
  • 4)
    Identificazione delle entità, Identificazione e risoluzione dei conflitti nei dati, identificazione delle ridondanze
 4
273 Quale è l'obiettivo principale della fase di data integration?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Ridurre la quantità di dati da integrare
  • 3)
    Ripulire i dati dal rumore
  • 4)
    Ottenere una memorizzazione coerente per i dati derivanti da sorgenti multiple di memorizzazione
 4
274 Per quale fase si può utilizzare l'analisi di correlazione nel processo di data integration?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Identificazione delle entità
  • 3)
    Identificazione e risoluzione dei conflitti nei dati
  • 4)
    Identificazione delle ridondanze
 4
275 Cosa si intende per riduzione dei dati lossy?
  • 1)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 2)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 3)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
  • 4)
    Nessuna delle altre alternative
 1
276 Per cosa può essere utilizzata la principal component analysis?
  • 1)
    Selezione di attributi
  • 2)
    Integrazione dei dati
  • 3)
    Nessuna delle altre alternative
  • 4)
    Riduzione della dimensionalità
 4
277 Cosa si intende per riduzione dei dati lossless?
  • 1)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 2)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 3)
    Nessuna delle altre alternative
  • 4)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
 1
278 Per cosa può essere utilizzata la trasformata discreta wavelet?
  • 1)
    Integrazione dei dati
  • 2)
    Riduzione della dimensionalità
  • 3)
    Selezione di attributi
  • 4)
    Nessuna delle altre alternative
 2
279 A cosa serve la normalizzazione dei dati?
  • 1)
    Si tratta di una sorta di filtraggio per rimuovere l'eventuale rumore che affligge i dati
  • 2)
    Viene spesso utilizzata per discretizzare gli attributi
  • 3)
    Viene spesso utilizzata nella fase di data transformation per fare in modo che tutti gli attributi abbiano lo stesso peso o influenza
  • 4)
    Nessuna delle altre alternative
 3
280 Se una tecnica di discretizzazione dei dati utilizza le etichette delle classi e le informazioni da esse derivanti di che tipologia è?
  • 1)
    Parametrica
  • 2)
    Non supervisionata
  • 3)
    Semi-supervisionata
  • 4)
    Supervisionata
 4
281 Cosa si intende per splitting?
  • 1)
    È una tecnica di discretizzazione basata sul binning
  • 2)
    È la fase di un processo di discretizzazione in cui gli attributi vengono trasformati in modo che abbiano tutti lo stesso peso o influenza
  • 3)
    È una tecnica di discretizzazione basata sul clustering
  • 4)
    È una fase di un processo di discretizzazione in cui si identificano ricorsivamente uno o più punti in cui suddividere gli intervalli di definizione degli attributi
 4
282 Quali sono le condizioni che deve soddisfare una misura di similarità fra due punti?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Riflessività, derivabilità, simmetria
  • 3)
    Simmetria; Massimo valore in 1 quando i due punti coincidono
  • 4)
    Riflessività, non negatività, simmetria
 4
283 Quali sono le condizioni che deve soddisfare una misura di distanza fra due punti?
  • 1)
    Riflessività, derivabilità, simmetria
  • 2)
    Riflessività, omogeneità, simmetria
  • 3)
    Riflessività, non negatività, simmetria
  • 4)
    Nessuna delle altre alternative
 3
284 Quando una distanza si definisce metrica?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Quando rispetta anche la condizione di simmetria
  • 3)
    Quando rispetta anche la condizione di diseguaglianza triangolare
  • 4)
    Quando rispetta anche la condizione di derivabilità
 3
285 Nella formula della distanza di Mahalanobis che tipo di matrice è presente?
  • 1)
    Matrice identità
  • 2)
    Matrice triangolare superiore
  • 3)
    Di covarianze fra i due punti
  • 4)
    Nessuna delle altre alternative
 3
286 La distanza Manhattan è un caso particolare di quale distanza?
  • 1)
    Euclidea
  • 2)
    Lagrange-Tchebychev
  • 3)
    Nessuna delle altre alternative
  • 4)
    Minkowski
 4
287 Quali sono le proprietà della distanza Minkowski?
  • 1)
    Definita negativa, simmetrica e gode di diseguaglianza triangolare
  • 2)
    Definita positiva, simmetrica e gode di diseguaglianza triangolare
  • 3)
    Nessuna delle altre alternative
  • 4)
    Definita positiva, asimmetrica e gode di diseguaglianza triangolare
 2
288 Che tipo di distanza si può utilizzare fra due punti descritti da variabili binarie asimmetriche?
  • 1)
    SMC
  • 2)
    Jaccard
  • 3)
    Minkowski
  • 4)
    Lagrange-Tchebychev
 2
289 Che tipo di distanza si può utilizzare fra due punti descritti da variabili binarie simmetriche?
  • 1)
    Jaccard
  • 2)
    SMC
  • 3)
    Lagrange-Tchebychev
  • 4)
    Minkowski
 2
290 Quando una variabile binaria si dice simmetrica?
  • 1)
    Se la probabilità che ciascuno dei suoi stati categorici si verifichi è uguale e tutti gli stati assumono lo stesso peso
  • 2)
    Se la probabilità che ciascuno dei suoi stati si verifichi (che assuma valore zero o uno) è uguale ed entrambi gli stati assumono lo stesso peso
  • 3)
    Nessuna delle altre alternative
  • 4)
    Se la probabilità che ciascuno dei suoi stati continui si verifichi è uguale e tutti gli stati assumono lo stesso peso
 2
291 La formula della similarità coseno fra due vettori utilizza al suo interno?
  • 1)
    Solo il prodotto scalare dei due vettori
  • 2)
    La norma dei due vettori e il prodotto vettoriale fra i due vettori
  • 3)
    La norma dei due vettori e il prodotto scalare fra i due vettori
  • 4)
    Solo il prodotto vettoriale fra due vettori
 3
292 È possibile calcolare la distanza fra istanze descritte da attributi nominali?
  • 1)
    Nessuna delle altre alternative
  • 2)
    No
  • 3)
    Si utilizzando la distanza di Minkowski
  • 4)
    Si utilizzando una distanza basata sul matching
 4
293 Che tipo di distanza si può usare fra due istanze descritte con attributi di tipologia mista?
  • 1)
    Lagrange-Tchebychev
  • 2)
    Nessuna delle altre alternative
  • 3)
    Minkowski
  • 4)
    Euclidea
 2
294 Che tipo di apprendimento si utilizza quando si creano modelli per il clustering?
  • 1)
    Non supervisionato
  • 2)
    Supervisionato
  • 3)
    Parzialmente supervisionato
  • 4)
    Semi-supervisionato
 1
295 Gli algoritmi di clustering si utilizzano per generare:
  • 1)
    Metodi di ottimizzazione
  • 2)
    Modelli descrittivi
  • 3)
    Modelli predittivi
  • 4)
    Modelli associativi
 2
296 Con riferimento agli algoritmi di clustering, quali delle seguenti affermazioni è falsa?
  • 1)
    Non ci sono classi predefinite, l'apprendimento del modello non avviene utilizzando esempi etichettati
  • 2)
    È sempre noto a priori il numero di cluster da cercare
  • 3)
    Gli algoritmi di clustering aspirano a trovare gruppi nei dati in modo tale che la somiglianza dei dati all'interno dello stesso gruppo sia alta e sia bassa per punti appartenenti a gruppi diversi.
  • 4)
    Gli algoritmi di clustering possono essere utilizzati per la compressione dei dati
 2
297 Un algoritmo di clustering produce cluster di alta qualità se assicura:
  • 1)
    Alta similarità intra-cluster e alta similarità inter-cluster
  • 2)
    Bassa similarità intra-cluster e alta similarità inter-cluster
  • 3)
    Alta similarità intra-cluster e bassa similarità inter-cluster
  • 4)
    Bassa similarità intra-cluster e bassa similarità inter-cluster
 3
298 L'algoritmo di clustering SOM (self organizing map) a quale categoria di algoritmi appartiene?
  • 1)
    Partizionali
  • 2)
    Gerarchici
  • 3)
    Density-based
  • 4)
    Nessuna delle altre alternative
 4
299 Quale tipologia di algoritmi di clustering è più efficiente per l'identificazione di outlier?
  • 1)
    Partizionali
  • 2)
    Nessuna delle altre alternative
  • 3)
    Density-based
  • 4)
    Gerarchici
 3
300 L'algoritmo di clustering AGNES a quale categoria di algoritmi appartiene?
  • 1)
    Gerarchici
  • 2)
    Density-based
  • 3)
    Partizionali
  • 4)
    Nessuna delle altre alternative
 1
301 L'algoritmo di clustering k-means a quale categoria di algoritmi appartiene?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Density-based
  • 3)
    Partizionali
  • 4)
    Gerarchici
 3
302 Quale fra i seguenti criteri non rappresenta un criterio di convergenza dell'algoritmo di clustering k-means?
  • 1)
    Riduzione eccessiva delle partizioni iniziali
  • 2)
    Nessun cambiamento della matrice binaria U
  • 3)
    Differenza non significativa fra i valori assunti della funzione obiettivo in due iterazioni successive
  • 4)
    Nessuna delle altre alternative
 1
303 Quali sono i punti di forza dell'algoritmo di clustering K-means?
  • 1)
    1) Efficienza, in quanto identifica automaticamente il numero di cluster, 2) Termina in un ottimo locale
  • 2)
    1) Efficienza, in quanto identifica automaticamente il numero di cluster, 2) Termina in un ottimo globale
  • 3)
    1) Efficienza, in quanto è lineare rispetto al numero di oggetti, 2) Termina in un ottimo locale
  • 4)
    1) Efficienza, in quanto è lineare rispetto al numero di oggetti, 2) Termina in un ottimo globale
 3
304 Quali sono i principali parametri che occorre fissare per effettuare il clustering tramite l'algoritmo K-means?
  • 1)
    Il numero K di cluster e il criterio di stop
  • 2)
    Il numero K di punti del dataset da scartare ed il criterio di stop
  • 3)
    Il numero K di iterazioni ed il criterio di stop
  • 4)
    Il numero K di punti del dataset da utilizzare ed il criterio di stop
 1
305 L'algoritmo gerarchico di clustering DIANA quale approccio segue?
  • 1)
    Agglomerativo
  • 2)
    Model-Based
  • 3)
    Partizionale
  • 4)
    Divisivo
 4
306 L'algoritmo gerarchico di clustering AGNES quale approccio segue?
  • 1)
    Divisivo
  • 2)
    Agglomerativo
  • 3)
    Model-Based
  • 4)
    Partizionale
 2
307 Che cosa è un dendogramma?
  • 1)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering partizionale
  • 2)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering density-based
  • 3)
    È un diagramma ad albero che mostra le sequenze di fusioni fra cluster generati man mano da un algoritmo di clustering gerarchico
  • 4)
    Nessuna delle altre alternative
 3
308 Negli algoritmi di clustering gerarchici con approccio agglomerativo come avviene l'inizializzazione?
  • 1)
    Si parte con un numero di cluster che dipende da un raggio e da un numero minimo di punti
  • 2)
    Si parte con tanti cluster quanti sono gli oggetti
  • 3)
    Si parte con un numero di cluster assegnato a priori
  • 4)
    Si parte con un unico cluster contenente tutti gli oggetti
 2
309 Quali sono i principali parametri che occorre fissare per effettuare il clustering tramite l'algoritmo DBSCAN?
  • 1)
    Il numero Epsilon di cluster e il criterio di stop
  • 2)
    Il numero Epsilon di punti del dataset da utilizzare ed il criterio di stop
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il numero Epsilon di iterazioni ed il criterio di stop
 3
310 Oltre al valore del massimo raggio del vicinato, quale altro parametro deve essere specificato per l'algoritmo di clustering DBSCAN?
  • 1)
    Il valor medio del numero di punti che devono essere contenuti all'interno di un vicinato
  • 2)
    Il massimo numero di punti che devono essere contenuti all'interno di un vicinato
  • 3)
    Nessuna delle altre alternative
  • 4)
    Il minimo numero di punti che devono essere contenuti all'interno di un vicinato
 4
311 Quando si parla di algoritmo di clustering DBSCAN, cosa sono i core point?
  • 1)
    Sono i punti la cui densità (numero di punti) è inferiore a MinPts
  • 2)
    Sono i punti che si trovano ad una distanza superiore di EPS dal centroide del cluster
  • 3)
    Sono i punti la cui densità (numero di punti) è superiore a MinPts
  • 4)
    Sono i punti che si trovano ad una distanza inferiore di EPS dal centroide del cluster
 3
312 Cosa rappresenta il parametro Epsilon dell'algoritmo di clustering DBSCAN?
  • 1)
    Il minimo raggio del vicinato
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il massimo raggio del vicinato
  • 4)
    Il valor medio del raggio del vicinato
 3
313 Che cosa è il supporto di una regola associativa?
  • 1)
    È la frequenza delle transazioni nel database che verificano l'antecedente della regola
  • 2)
    È la frequenza delle transazioni nel database che verificano la regola rispetto a quelle che ne verificano l'antecedente
  • 3)
    Nessuna delle altre alternative
  • 4)
    È la frequenza relativa delle transazioni nel database che verificano la regola
 1
314 Che cosa è la confidenza di una regola associativa?
  • 1)
    È la frequenza delle transazioni nel database che verificano la regola rispetto a quelle che ne verificano l'antecedente
  • 2)
    È la frequenza delle transazioni nel database che verificano l'antecedente della regola
  • 3)
    È la frequenza relativa delle transazioni nel database che verificano la regola
  • 4)
    Nessuna delle altre alternative
 1
315 Quando una regola associativa si definisce forte?
  • 1)
    Si definisce forte, una regola associativa che soddisfa un supporto minimo prefissato ed una confidenza minima prefissata
  • 2)
    Nessuna delle altre alternative
  • 3)
    Si definisce forte, una regola associativa che soddisfa un supporto massimo prefissato ed una confidenza minima prefissata
  • 4)
    Si definisce forte, una regola associativa che soddisfa un supporto minimo prefissato ed una confidenza massima prefissata
 1
316 La generazione di regole associative avviene utilizzando che tipologia di apprendimento?
  • 1)
    Semi specializzato
  • 2)
    Semi supervisionato
  • 3)
    Supervisionato
  • 4)
    Non supervisionato
 4
317 Che cosa è una regola associativa?
  • 1)
    È un'implicazione della forma X->Y, dove X è un itemset ed Y è un item
  • 2)
    È un'implicazione della forma X->Y, dove X e Y sono degli item
  • 3)
    È un'implicazione della forma X->Y, dove X e Y sono degli itemset
  • 4)
    È un'implicazione della forma X->Y, dove X è un item ed Y è un itemset
 1
318 Cosa è la Market Basket Analysis?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Una analisi ha l'obiettivo di studiare la regolarità, all'interno delle transazioni registrate, nelle vendite dei supermercati
  • 3)
    Una analisi ha l'obiettivo di studiare la regolarità, all'interno delle transazioni registrate, nel contesto del mercato giocatori di pallacanestro
  • 4)
    Una analisi ha l'obiettivo di studiare come assumere i dipendenti nelle pubbliche amministrazioni americane
 2
319 Che cosa è un itemset?
  • 1)
    Un insieme di articoli
  • 2)
    Un insieme di transazioni
  • 3)
    Nessuna delle altre alternative
  • 4)
    Un insieme di regole
 1
320 A cosa serve l'algoritmo APRIORI?
  • 1)
    Per generare regole di clustering
  • 2)
    Per generare regole di classificazione
  • 3)
    Per generare regole associative
  • 4)
    Nessuna delle altre alternative
 3
321 Quale è l'idea di base dell'algoritmo APRIORI?
  • 1)
    L'algoritmo Apriori affronta la fase di generazione degli itemset frequenti per approssimazioni successive, a partire dagli itemset con un solo elemento
  • 2)
    L'algoritmo Apriori affronta la fase di generazione degli itemset frequenti per approssimazioni ricorsive, a partire dagli itemset con un solo elemento
  • 3)
    L'algoritmo Apriori affronta la fase di generazione degli itemset frequenti per approssimazioni ricorsive, a partire dagli itemset con il numero massimo di elementi
  • 4)
    L'algoritmo Apriori affronta la fase di generazione degli itemset frequenti per approssimazioni successive, a partire dagli itemset con il numero massimo di elementi
 1
322 Che cosa è un itemset frequente?
  • 1)
    Un itemset con confidenza minore di un valore stabilito
  • 2)
    Un itemset con supporto minore di un valore stabilito
  • 3)
    Un itemset con supporto maggiore di un valore stabilito
  • 4)
    Un itemset con confidenza maggiore di un valore stabilito
 3
323 Per la generazione di regole associative, in genere è necessario generare come prima cosa:
  • 1)
    I conseguenti frequenti
  • 2)
    Le regole frequenti
  • 3)
    Gli itemset frequenti
  • 4)
    Gli item frequenti
 3
324 Quali sono i parametri più importanti da fissare per l'algoritmo APRIORI?
  • 1)
    Valore del supporto minimo, valore della confidenza minima
  • 2)
    Valore del supporto minimo, valore della confidenza massima
  • 3)
    Valore del supporto massimo valore della confidenza massima
  • 4)
    Valore del supporto massimo valore della confidenza minima
 1
325 Che approccio usa APRIORI per la generazione di regole associative?
  • 1)
    L'algoritmo Apriori usa un approccio per livelli per generare le regole associative. Ogni livello corrisponde al numero di item che appartengono all'antecedente.
  • 2)
    L'algoritmo Apriori usa un approccio ricorsivo per generare le regole associative. Ogni livello di ricorsione corrisponde al numero di item che appartengono al conseguente.
  • 3)
    L'algoritmo Apriori usa un approccio ricorsivo per generare le regole associative. Ogni livello di ricorsione corrisponde al numero di item che appartengono all'antecedente.
  • 4)
    L'algoritmo Apriori usa un approccio per livelli per generare le regole associative. Ogni livello corrisponde al numero di item che appartengono al conseguente.
 1
326 È possibile aumentare l'efficienza dell'algoritmo APRIORI?
  • 1)
    No
  • 2)
    Nessuna delle altre alternative
  • 3)
    Sì, ma solo riducendo il numero di candidati da considerare, usando tecniche di indirizzamento e partizionamento
  • 4)
    Sì, ma solo riducendo la dimensione della base di dati da considerare nei passaggi successivi
 3
327 Con riferimento all'algoritmo FP-growth, quante scansioni del database vengono effettuate per la generazione dell'FP-tree?
  • 1)
    Due
  • 2)
    Una sola
  • 3)
    Tante quanti sono gli item frequenti
  • 4)
    Non serve scansionare il database
 1
328 L'algoritmo FP-growth consente di evitare cosa?
  • 1)
    La generazione degli item frequenti candidati
  • 2)
    La generazione degli item frequenti
  • 3)
    La generazione degli itemset frequent
  • 4)
    La generazione degli itemset frequenti candidati
 4
329 Con riferimento all'algoritmo FP-growth, cosa viene fatto durante la seconda scansione nella fase di generazione dell'FP-tree?
  • 1)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo il loro supporto o frequenza
  • 2)
    Si crea effettivamente l'albero
  • 3)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo il loro supporto o frequenza
  • 4)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo la loro confidenza
 3
330 Con riferimento all'algoritmo FP-growth, cosa viene fatto nei primi due passi della generazione dell'FP-tree?
  • 1)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo il loro supporto o frequenza
  • 2)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo la loro confidenza
  • 3)
    1), Si identificano tutti gli itemset frequenti dal database, 2) Si crea una lista L degli itemset frequenti ordinati secondo il loro supporto o frequenza
  • 4)
    1), Si identificano tutti gli 1-temset frequenti dal database, 2) Si crea una lista L degli 1-itemset frequenti ordinati secondo la loro confidenza
 3
331 A cosa serve l'FP-tree?
  • 1)
    A comprimere il database considerando solo gli itemset poco frequenti
  • 2)
    A comprimere il database considerando solo gli itemset frequenti
  • 3)
    A comprimere il database considerando solo gli item frequenti
  • 4)
    A comprimere il database considerando solo gli item poco frequenti
 2
332 Con riferimento all'algoritmo FP-growth, che filosofia si utilizza per la generazione degli itemset frequenti?
  • 1)
    Si segue un approccio top-down: si parte ad esplorare l'albero dei pattern frequenti a partire dalla radice verso le foglie
  • 2)
    Nessuna delle altre alternative
  • 3)
    Si segue un approccio bottom-up: si parte ad esplorare l'albero dei pattern frequenti a partire dalle foglie verso la radice
  • 4)
    Si segue un approccio random: si parte ad esplorare l'albero dei pattern frequenti a caso
 3
333 Quale potrebbe essere uno svantaggio dell'algoritmo FP-growth?
  • 1)
    Nessuna delle altre alternative
  • 2)
    È più lento di APRIORI
  • 3)
    Bisogna generare itemset frequenti candidati
  • 4)
    L'FP-tree potrebbe essere computazionalmente difficile da generare
 4
334 Quale potrebbe essere uno svantaggio dell'algoritmo FP-growth?
  • 1)
    Nessuna delle altre alternative
  • 2)
    È più lento di APRIORI
  • 3)
    L'FP-tree potrebbe non entrare in memoria
  • 4)
    Bisogna generare itemset frequenti candidati
 3
335 In quale fase dell'algoritmo FP-growth si genera il conditional pattern tree?
  • 1)
    Nella fase di estrazione degli itemset frequenti
  • 2)
    Nella fase di estrazione degli itemset frequenti candidati
  • 3)
    Nella fase di generazione dell'FP-tree
  • 4)
    Nessuna delle altre alternative
 1
336 Cosa si intende per classificazione binaria?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Gli attributi per la descrizione degli oggetti sono tutti binari
  • 3)
    Si considerano solo due classi
  • 4)
    Gli attributi per la descrizione degli oggetti sono in parte binari
 3
337 A che categoria di classificatori appartiene il KNN?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Classificatori lineari generalizzati
  • 3)
    Bayesiani
  • 4)
    Lazy
 4
338 Che tipo di apprendimento si utilizza quando si creano modelli di classificazione?
  • 1)
    Semi supervisionato
  • 2)
    Nessuna delle altre alternative
  • 3)
    Non supervisionato
  • 4)
    Supervisionato
 4
339 Come sono i dataset che in genere si utilizzano nel contesto della classificazione?
  • 1)
    Etichettati
  • 2)
    Filtrati
  • 3)
    Senza valori mancanti
  • 4)
    Non etichettati
 1
340 Esistono differenze fra problemi di clustering e di classificazione?
  • 1)
    Si
  • 2)
    Dipende
  • 3)
    No
  • 4)
    Solo a volte
 1
341 Su cosa si base il calcolo dell'information gain?
  • 1)
    Sulla similarità
  • 2)
    Sull'entropia
  • 3)
    Sulla distanza coseno
  • 4)
    Sulla distanza euclidea
 2
342 Che tipo di problema risolvono gli alberi di decisione?
  • 1)
    Generazione di regole associative tramite APRIORI
  • 2)
    Nessuna delle altre alternative
  • 3)
    Clustering
  • 4)
    Classificazione
 4
343 Cosa rappresenta ogni nodo interno in un albero di decisione?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Un possibile valore di un attributo
  • 3)
    Il valore predetto per la classe
  • 4)
    Un attributo
 4
344 Cosa rappresenta una foglia in un albero di decisione?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Il valore predetto per la classe
  • 3)
    Un attributo
  • 4)
    Un possibile valore di un attributo
 2
345 Con riferimento agli alberi di decisione, che filosofia si utilizza per la generazione della classe stimata?
  • 1)
    Si segue un approccio bottom-up: si parte ad esplorare l'albero a partire dalle foglie verso la radice
  • 2)
    Nessuna delle altre alternative
  • 3)
    Si segue un approccio random: si parte ad esplorare l'albero a caso
  • 4)
    Si segue un approccio top-down: si parte ad esplorare l'albero dalla radice verso le foglie
 4
346 Nella generazione degli alberi di decisione, l'information gain in genere viene usato come misura di cosa?
  • 1)
    Misura di rilevanza
  • 2)
    Nessuna delle altre alternative
  • 3)
    Misura di similarità
  • 4)
    Misura di accuratezza
 1
347 A che categoria di classificatori appartiene il classificatore C45?
  • 1)
    Classificatori lineari generalizzati
  • 2)
    Alberi di decisione
  • 3)
    Lazy
  • 4)
    Bayesiani
 2
348 A che categoria di classificatori appartiene il classificatore ID3?
  • 1)
    Lazy
  • 2)
    Classificatori lineari generalizzati
  • 3)
    Bayesiani
  • 4)
    Nessuna delle altre alternative
 4
349 Con che tipo di attributi lavora il classificatore ID3?
  • 1)
    Nominali
  • 2)
    Numerici
  • 3)
    Stringhe
  • 4)
    Nessuna delle altre alternative
 1
350 Che cosa si usa come misura di rilevanza degli attributi nell'algoritmo ID3?
  • 1)
    Information gain
  • 2)
    Distanza euclidea
  • 3)
    Distanza coseno
  • 4)
    Nessuna delle altre alternative
 1
351 Quale fra le seguenti condizioni di terminazione della ricorsione dell'algoritmo ID3 non è corretta?
  • 1)
    Gli attributi sono vuoti
  • 2)
    Nessuna delle altre alternative
  • 3)
    I campioni sono tutti della stessa classe
  • 4)
    Non ci sono più campioni nello specifico nodo
 2
352 Che tipo di attributi può gestire senza pre-elaborazione il classificatore C45 rispetto al classificatore ID3?
  • 1)
    Stringhe
  • 2)
    Numerici
  • 3)
    Nominali
  • 4)
    Nessuna delle altre alternative
 2
353 Dopo la generazione di un albero con l'algoritmo C45, che ulteriore passo può essere effettuato per ridurre la possibilità di overtraining?
  • 1)
    Potatura
  • 2)
    Estensione del numero di foglie
  • 3)
    Estensione del numero di nodi
  • 4)
    Divisione in sotto alberi
 1
354 A che categoria di classificatori appartiene il classificatore CART?
  • 1)
    Classificatori lineari generalizzati
  • 2)
    Bayesiani
  • 3)
    Lazy
  • 4)
    Alberi di decisione
 4
355 Cosa utilizza l'algoritmo CART per misurare l'impurità di un database o di un generico insieme di transazioni?
  • 1)
    Il gain ratio
  • 2)
    La distanza coseno
  • 3)
    L'indice di Gini
  • 4)
    L'information gain
 3
356 Quale misura di rilevanza è stata introdotta in una versione migliorata dell'algoritmo C45?
  • 1)
    L'indice di Gini
  • 2)
    Il gain ratio
  • 3)
    L'information gain
  • 4)
    La distanza coseno
 2
357 I modelli bayesiani si usano per risolvere quali tipi di problemi?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Generazione di regole associative
  • 3)
    Classificazione
  • 4)
    Clustering
 3
358 Quale è l'assunzione su cui si basano i classificatori Naive Bayes?
  • 1)
    L'indipendenza fra gli attributi che descrivono un oggetto quando la classe è nota
  • 2)
    La correlazione fra gli attributi che descrivono un oggetto quando la classe non è nota
  • 3)
    L'indipendenza fra gli attributi che descrivono un oggetto quando la classe non è nota
  • 4)
    La correlazione fra gli attributi che descrivono un oggetto quando la classe è nota
 1
359 Su cosa si basano i classificatori bayesiani?
  • 1)
    Reti neurali
  • 2)
    Alberi di decisione
  • 3)
    Teoria della probabilità
  • 4)
    Approccio lazy
 3
360 Come avviene la classificazione di un nuovo punto quando si utilizza il classificatore KNN?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Si considerano tutti i K punti del training set vicini al punto da classificare e si sceglie a caso la classe che ricorre maggiormente fra i vicini
  • 3)
    Si considerano tutti il punto del training set più vicino al punto da classificare e si sceglie la classe associata a tale punto
  • 4)
    Si costruisce il modello dove i parametri sono ottenuti con il metodo dei minimi quadrati e si stima con i parametri ottenuti la classe
 3
361 Quando si usano i classificatori lazy che tipo di apprendimento si usa per la costruzione del modello?
  • 1)
    Semi supervisionato
  • 2)
    Non supervisionato
  • 3)
    Supervisionato
  • 4)
    Nessuna delle altre alternative
 4
362 Quali fra i seguenti elementi non deve mai mancare quando si utilizza un classificatore KNN?
  • 1)
    La metrica scelta per il calcolo della distanza
  • 2)
    Tutti e tre gli elementi specifici nelle altre alternative
  • 3)
    Il training set
  • 4)
    Il numero K di vicini
 2
363 In quali classificatori si può usare il majoring voting pesato?
  • 1)
    Nessuna delle altre alternative
  • 2)
    KNN
  • 3)
    Alberi di decisione
  • 4)
    Classificatori bayesiani
 2
364 Cosa è il rote classifier?
  • 1)
    Il più semplice classificatore neurale
  • 2)
    Nessuna delle altre alternative
  • 3)
    Il più semplice classificatore lazy
  • 4)
    Il più semplice classificatore bayesiano
 3
365 In quali tipi di classificatori si può utilizzare il FOIL_gain?
  • 1)
    Alberi di decisione
  • 2)
    Classificatori Lazy
  • 3)
    Classificatori bayesiani
  • 4)
    Classificatori a regole
 4
366 Con riferimento ai classificatori basati su regole, cosa è la copertura di una regola?
  • 1)
    Frazione delle istanze nel database che soddisfano antecedente e conseguente rispetto alla copertura
  • 2)
    Nessuna delle altre alternative
  • 3)
    Frazione delle istanze che hanno portato alla generazione della regola
  • 4)
    Frazione delle istanze nel database che soddisfano l'antecedente
 4
367 Con riferimento ai classificatori basati su regole, cosa è l'accuratezza di una regola?
  • 1)
    Frazione delle istanze nel database che soddisfano antecedente e conseguente rispetto alla copertura
  • 2)
    Frazione delle istanze che hanno portato alla generazione della regola
  • 3)
    Nessuna delle altre alternative
  • 4)
    Frazione delle istanze nel database che soddisfano l'antecedente
 1
368 Con riferimento ai classificatori basati su regole, cosa sono le regole mutuamente esclusive?
  • 1)
    Un insieme di regole R è detto mutuamente esclusivo se esiste una regola per ogni combinazione di valori degli attributi
  • 2)
    Un insieme di regole R è detto mutuamente esclusivo se nessuna coppia di regole può essere attivata da più di due istanze
  • 3)
    Un insieme di regole R è detto mutuamente esclusivo se nessuna coppia di regole può essere attivata dalla stessa istanza
  • 4)
    Nessuna delle altre alternative
 3
369 Con riferimento ai classificatori basati su regole, cosa sono le regole esaustive?
  • 1)
    Nessuna delle altre alternative
  • 2)
    Un insieme di regole R ha una copertura esaustiva se nessuna coppia di regole può essere attivata dalla stessa istanza
  • 3)
    Un insieme di regole R ha una copertura esaustiva se nessuna coppia di regole può essere attivata da più di due istanze
  • 4)
    Un insieme di regole R ha una copertura esaustiva se esiste una regola per ogni combinazione di valori degli attributi
 4
370 A che categoria di classificatori appartiene l'algoritmo RIPPER?
  • 1)
    Classificatori a regole
  • 2)
    Classificatori Lazy
  • 3)
    Classificatori bayesiani
  • 4)
    Alberi di decisione
 1
371 Cosa deve simulare un percettrone?
  • 1)
    Il funzionamento di un neurone
  • 2)
    Il funzionamento del cervello
  • 3)
    Il funzionamento di un assone
  • 4)
    Il funzionamento di una rete neurale
 1
372 Su cosa si base l'algoritmo di classificazione RIPPER?
  • 1)
    Gain ratio
  • 2)
    Sequential covering
  • 3)
    Reti neurali
  • 4)
    Alberi di decisione
 2
373 Che cosa è il percettrone?
  • 1)
    L'elemento base dell'FP-growth
  • 2)
    L'elemento base degli alberi di decisione
  • 3)
    L'elemento base delle reti neurali artificiali
  • 4)
    L'elemento base per il clustering
 3
374 Cosa significa addestrare un percettrone?
  • 1)
    Identificare il numero di ingressi
  • 2)
    Nessuna delle altre alternative
  • 3)
    Identificare il numero di pesi
  • 4)
    Identificare il numero di neuroni
 3
375 Di che tipo è l'uscita del percettrone?
  • 1)
    Ordinale
  • 2)
    Binaria
  • 3)
    Reale
  • 4)
    Intera
 2
376 Come si chiama l'algoritmo di apprendimento dei parametri di un percettrone?
  • 1)
    Back propagation
  • 2)
    Nessuna delle altre alternative
  • 3)
    Delta rule
  • 4)
    Sequential covering
 3
377 Quali sono i parametri caratteristici di una rete neurale artificiale?
  • 1)
    L'insieme dei neuroni, l'insieme dei pesi associati ai collegamenti, l'insieme delle soglie o dei livelli di attivazione
  • 2)
    Nessuna delle altre alternative
  • 3)
    L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle soglie o dei livelli di attivazione
  • 4)
    L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle uscite
 1
378 Come avviene la generazione dei pesi iniziali nell'algoritmo backpropagation?
  • 1)
    A caso
  • 2)
    Nessuna delle altre alternative
  • 3)
    Con il metodo dei minimi quadrati
  • 4)
    Con la propagazione all'indietro dell'errore
 1
379 Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward?
  • 1)
    Presenza di pesi sulle connessioni
  • 2)
    Ogni unità è collegata solo a quella dello strato successivo
  • 3)
    Presenza di funzioni soglia
  • 4)
    Presenza di feedback
 4
380 Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward?
  • 1)
    Presenza di pesi sulle connessioni
  • 2)
    Ogni unità è collegata solo a quella dello strato successivo
  • 3)
    Presenza di funzioni soglia
  • 4)
    Presenza di stato interno
 4
381 Quante uscite in genere si usano nelle reti neurali feedforward quando si vuole risolvere un problema di classificazione con C classi?
  • 1)
    Dipende dal numero di campioni disponibili per ciascuna classe
  • 2)
    C
  • 3)
    Dipende dal numero di istanze del training set
  • 4)
    Due
 2
382 Che problemi possono essere risolti con le reti neurali feedforward?
  • 1)
    Clustering
  • 2)
    Ottimizzazione
  • 3)
    Classificazione
  • 4)
    Generazione di regole associative
 3
383 Come si chiama l'algoritmo di apprendimento delle reti feedforward?
  • 1)
    Deltra rule
  • 2)
    Sequential covering
  • 3)
    Nessuna delle altre alternative
  • 4)
    Back propagation
 4
384 Quale è la formula per la Recall, utilizzata come metrica per valutare la bontà di un classificatore binario?
  • 1)
    R = TP/(TP+FN)
  • 2)
    R = FP/(FP+TN)
  • 3)
    Nessuna delle altre alternative
  • 4)
    R = TP/(TP+FP)
 1
385 Quale metrica è più consigliata quando si vuole confrontare la bontà di due o più modelli per la classificazione binaria?
  • 1)
    AUC
  • 2)
    Recall
  • 3)
    Accuratezza
  • 4)
    Precisione
 1
386 Quale è l'area associata alla curva ROC di un classificatore random?
  • 1)
    1
  • 2)
    Nessuna delle altre alternative
  • 3)
    0,75
  • 4)
    0
 2
387 Cosa viene riportato sugli assi di una curva ROC?
  • 1)
    TNR, FPR
  • 2)
    TPR, FPR
  • 3)
    TPR, TNR
  • 4)
    Nessuna delle altre alternative
 2
388 Quando è sconsigliato utilizzare l'accuratezza come metrica per valutare la bontà di un classificatore?
  • 1)
    Quando si ha un problema multiclasse e tutte le classi sono di interesse
  • 2)
    Se le classi sono sbilanciate
  • 3)
    Nessuna delle altre alternative
  • 4)
    Quando si ha un problema binario, le due classi sono bilanciate e interessanti
 2
389 Quale strumento può essere utilizzato per valutare la bontà di un classificatore binario?
  • 1)
    Matrice di confusione
  • 2)
    Nessuna delle altre alternative
  • 3)
    Matrice di correlazione
  • 4)
    Matrice di Covarianza
 1
390 Quale è la formula per la Precisione, utilizzata come metrica per valutare la bontà di un classificatore binario?
  • 1)
    P = TP/(TP+FN)
  • 2)
    P = FP/(FP+TN)
  • 3)
    P = TP/(TP+FP)
  • 4)
    Nessuna delle altre alternative
 3
1380 Per cosa può essere utilizzata la principal component analysis?
  • 1)
    Selezione di attributi
  • 2)
    Integrazione dei dati
  • 3)
    Nessuna delle altre alternative
  • 4)
    Riduzione della dimensionalità
 4
1381 Cosa si intende per riduzione dei dati lossless?
  • 1)
    La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione
  • 2)
    La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi
  • 3)
    Nessuna delle altre alternative
  • 4)
    La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali
 1
1382 Quali fra le seguenti sono tecniche parametriche per la riduzione della numerosità?
  • 1)
    KNN
  • 2)
    Alberi di decisione
  • 3)
    Classificatori bayesiani
  • 4)
    Regressione lineare e modelli log-lineari
 4
1383 La selezione degli attributi è in sostanza in problema di:
  • 1)
    Ottimizzazione
  • 2)
    Classificazione
  • 3)
    Regressione
  • 4)
    Nessuna delle altre alternative
 1
1384 Nella strategia di selezione in avanti, il processo di selezione di attributi in genere comincia con:
  • 1)
    Nessuna delle altre alternative
  • 2)
    Un insieme iniziale contenente un certo numero di attributi a caso
  • 3)
    Un insieme iniziale di attributi vuoto
  • 4)
    Un insieme iniziale contenente tutti gli attributi
 3
1385 Nella strategia di selezione all'indietro, il processo di selezione di attributi in genere comincia con:
  • 1)
    Un insieme iniziale contenente un certo numero di attributi a caso
  • 2)
    Un insieme iniziale di attributi vuoto
  • 3)
    Nessuna delle altre alternative
  • 4)
    Un insieme iniziale contenente tutti gli attributi
 4
1386 Quale fra le seguenti non è una tecnica non parametrica per la riduzione della numerosità?
  • 1)
    Campionamento
  • 2)
    Regressione lineare e modelli log-lineari
  • 3)
    Istogrammi
  • 4)
    Clustering
 2
1387 Quali delle seguenti tecniche di classficazione possono essere usate anche per la selezione degli attributi?
  • 1)
    Reti neuronali feed forward
  • 2)
    Classificatori bayesiani
  • 3)
    Alberi di decisione
  • 4)
    KNN
 3