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

Để giải quyết câu hỏi này, ta cần áp dụng các khái niệm về luật kết hợp, support (độ hỗ trợ) và confidence (độ tin cậy).

1. Tính Support:
- Support(X → Y) = Số giao dịch chứa cả X và Y / Tổng số giao dịch.
- Min_Support = 2 (50% của 4 giao dịch).

2. Tính Confidence:
- Confidence(X → Y) = Support(X → Y) / Support(X).
- Min_Confidence = 50%.

Đánh giá từng phương án:

* a. A → C:
- Support(A → C): Có 2 giao dịch chứa cả A và C (ID 1 và ID 2). Support = 2/4 = 50% (≥ Min_Support).
- Support(A): Có 3 giao dịch chứa A (ID 1, ID 2, ID 3). Support = 3/4 = 75%.
- Confidence(A → C) = Support(A → C) / Support(A) = (2/4) / (3/4) = 2/3 ≈ 66.67% (≥ Min_Confidence).
- => Luật A → C thỏa mãn.

* b. A → D:
- Support(A → D): Có 1 giao dịch chứa cả A và D (ID 3). Support = 1/4 = 25% (< Min_Support).
- => Luật A → D không thỏa mãn (do Support < Min_Support).

* c. A → E:
- Support(A → E): Có 1 giao dịch chứa cả A và E (ID 3). Support = 1/4 = 25% (< Min_Support).
- => Luật A → E không thỏa mãn (do Support < Min_Support).

* d. AB → C:
- Support(AB → C): Có 1 giao dịch chứa cả AB và C (ID 1). Support = 1/4 = 25% (< Min_Support).
- => Luật AB → C không thỏa mãn (do Support < Min_Support).

Kết luận:

Chỉ có luật A → C thỏa mãn cả Min_Support và Min_Confidence.

Luật kết hợp được sinh ra từ một tập mục thường xuyên X sẽ có dạng: Nếu X = {A, B}, thì ta có thể sinh ra các luật kết hợp như sau:

* A → B: Nếu một giao dịch chứa mục A, thì nó cũng có khả năng chứa mục B.
* B → A: Nếu một giao dịch chứa mục B, thì nó cũng có khả năng chứa mục A.

Các luật như A --> (A kéo theo rỗng) hoặc --> B (rỗng kéo theo B) thường không được xét đến trong khai thác luật kết hợp vì chúng không mang nhiều ý nghĩa thực tế.

Do đó, đáp án đúng nhất là a.

Khi một thuộc tính A được chọn làm gốc của cây quyết định, mỗi giá trị của thuộc tính A sẽ tương ứng với một nhánh của cây. Vì vậy, nếu thuộc tính A có 3 giá trị khác nhau, cây quyết định sẽ có 3 nhánh, mỗi nhánh đại diện cho một giá trị của thuộc tính A.

Thuật toán ILA (Inductive Learning Algorithm) là một thuật toán học có giám sát. Trong quá trình xây dựng cây quyết định sử dụng ILA, khi một thuộc tính C có n giá trị khác nhau, chúng ta sẽ chia bảng chứa các ví dụ học thành n bảng con, mỗi bảng con tương ứng với một giá trị của thuộc tính C. Điều này giúp chúng ta phân loại các ví dụ học dựa trên các giá trị của thuộc tính C và xây dựng cây quyết định một cách hiệu quả.

Khai phá dữ liệu trong tiếng Anh được gọi là "Data Mining". Đây là quá trình tìm kiếm và khám phá ra các mẫu thông tin hữu ích từ một lượng lớn dữ liệu. Các lựa chọn khác không chính xác vì:
- Data Clustering: Phân cụm dữ liệu.
- Data Classification: Phân loại dữ liệu.
- Association Rule: Luật kết hợp.