Cho một tập dữ liệu có n đặc trưng. Có bao nhiêu tập con không rỗng chứa các đặc trưng được lựa chọn: 

Câu hỏi này kiểm tra kiến thức về các phương pháp xử lý dữ liệu nhiễu trong quá trình tiền xử lý dữ liệu. Dữ liệu nhiễu có thể là dữ liệu bị thiếu, dữ liệu không chính xác, hoặc dữ liệu không nhất quán. Việc loại bỏ hoặc xử lý dữ liệu nhiễu là một bước quan trọng để đảm bảo chất lượng của mô hình học máy.

* Phương án a: "Bỏ qua bản ghi có dữ liệu bị thiếu, điền giá trị thiếu bằng tay, điền giá trị tự động" là các phương pháp phổ biến để xử lý dữ liệu bị thiếu. Bỏ qua bản ghi có dữ liệu thiếu (nếu số lượng bản ghi thiếu không đáng kể), điền giá trị thiếu bằng tay (nếu có kiến thức chuyên gia), hoặc điền giá trị thiếu tự động bằng các phương pháp như sử dụng giá trị trung bình, trung vị, hoặc các thuật toán học máy.
* Phương án b: "Loại bỏ dựa trên quan sát, loại bỏ khi lựa chọn đặc trưng" cũng là các phương pháp được sử dụng. Loại bỏ dựa trên quan sát có nghĩa là loại bỏ các bản ghi hoặc thuộc tính mà ta nhận thấy có nhiều giá trị nhiễu hoặc không phù hợp. Loại bỏ khi lựa chọn đặc trưng là loại bỏ các thuộc tính không quan trọng hoặc gây nhiễu cho mô hình.
* Phương án c: "Loại bỏ toàn bộ dữ liệu bị nhiễu và thay thế bằng tập dữ liệu mới, lựa chọn các đặc trưng quan trọng" - Loại bỏ toàn bộ dữ liệu nhiễu và thay thế bằng tập dữ liệu mới thường không khả thi, vì có thể dẫn đến mất mát thông tin quan trọng. Việc lựa chọn các đặc trưng quan trọng là một phần của quá trình lựa chọn đặc trưng, và nó có thể giúp giảm thiểu tác động của dữ liệu nhiễu.
* Phương án d: "Sử dụng các thuật toán phân lớp, phân cụm, tìm luật kết hợp" - Các thuật toán này thường được sử dụng để phân tích dữ liệu và tìm ra các mẫu, chứ không trực tiếp loại bỏ dữ liệu nhiễu. Tuy nhiên, chúng có thể được sử dụng để xác định các bản ghi hoặc thuộc tính có khả năng là nhiễu.

Như vậy, phương án a và b mô tả đúng các phương pháp loại bỏ dữ liệu nhiễu. Phương án c có một phần đúng (lựa chọn đặc trưng) nhưng phần đầu sai (loại bỏ toàn bộ dữ liệu nhiễu). Phương án d không trực tiếp liên quan đến loại bỏ dữ liệu nhiễu.

Vì cả a và b đều đúng, nhưng câu hỏi yêu cầu chọn đáp án *đúng nhất*, và cả hai phương án a và b đều nêu các phương pháp xử lý nhiễu, ta có thể coi cả hai đều đúng. Tuy nhiên, theo cách diễn đạt của câu hỏi, phương án a và b đều đúng và bao quát hơn. Cả hai đều chỉ ra các phương pháp xử lý nhiễu, trong khi c và d không phải là các phương pháp *loại bỏ* nhiễu trực tiếp.

Tuy nhiên, do không có đáp án nào bao gồm cả a và b, và bản chất của câu hỏi là chọn một đáp án duy nhất, nên câu hỏi này có thể được coi là không có đáp án đúng nhất một cách hoàn toàn. Vì vậy, cần một phương án bao gồm cả a và b hoặc một câu hỏi được diễn đạt lại để tránh gây hiểu lầm. Tuy nhiên, nếu phải chọn một đáp án, phương án a có vẻ trực tiếp hơn trong việc giải quyết vấn đề dữ liệu nhiễu (thiếu).

Support(X) là số giao dịch chứa tập mục X. Nếu X là tập con của Y thì Support(X) >= Support(Y).

a. Support(ABC) < Support(ABCD): Sai, vì ABC là tập con của ABCD nên Support(ABC) >= Support(ABCD).
b. Support(ABC) >= Support(ABCD): Đúng, vì ABC là tập con của ABCD.
c. Support(AB) >= Support(ABC): Đúng, vì AB là tập con của ABC.
d. Support(AB) <= Support(A): Đúng, vì AB là tập con của A.

Trong thuật toán Apriori, tập mục chứa k-item (tập phổ biến có kích thước k) được tạo ra từ tập mục chứa k-1 item (tập phổ biến có kích thước k-1). Cụ thể, hai tập k-1 item được ghép với nhau nếu chúng có chung k-2 item đầu tiên. Điều này giúp giảm thiểu số lượng các tập mục cần xét, vì chỉ những tập mục có khả năng phổ biến mới được xem xét. Các phương án khác không mô tả đúng quy trình tạo tập k-item trong thuật toán Apriori.

Để tạo tập ứng viên 4-item từ tập các mục thường xuyên 3-item, ta cần ghép hai tập 3-item có chung tiền tố (k-1) item đầu tiên. Trong trường hợp này, ta muốn tạo ứng viên abcd.

* a. abc và abd: Hai tập này có chung tiền tố "ab". Khi ghép lại, ta được tập ứng viên abcd. Đây là đáp án đúng.
* b. abc và ade: Hai tập này không có chung tiền tố nào. Vì vậy, không thể ghép để tạo thành abcd.
* c. abc và ace: Hai tập này có chung tiền tố "a", không thể ghép để tạo thành abcd.
* d. abd và ade: Hai tập này có chung tiền tố "a", không thể ghép để tạo thành abcd.

Vậy, đáp án đúng là a. abc và abd.

Entropy đo lường độ hỗn loạn hoặc ngẫu nhiên của một tập dữ liệu. Trong trường hợp này, C là tập hợp các kết luận có hai giá trị là 'Yes' và 'No'. Entropy(C) = 1 cho biết tập C có độ hỗn loạn tối đa, tức là xác suất xuất hiện 'Yes' và 'No' là như nhau.

* Phương án a: Số kết luận 'Yes' = Số kết luận 'No'. Điều này đúng vì khi số lượng 'Yes' và 'No' bằng nhau, sự không chắc chắn là lớn nhất, dẫn đến entropy cao nhất (bằng 1 trong trường hợp này).
* Phương án b: Số kết luận 'Yes' = 0. Điều này không đúng vì nếu chỉ có kết luận 'No', entropy sẽ bằng 0 (không có sự không chắc chắn).
* Phương án c: Số kết luận 'No' = 0. Tương tự như phương án b, nếu chỉ có kết luận 'Yes', entropy sẽ bằng 0.
* Phương án d: Không kết luận được điều gì. Điều này không đúng vì giá trị entropy cung cấp thông tin quan trọng về sự phân bố của các kết luận.

Do đó, phương án a là đáp án đúng.