Cho tập dữ liệu X={x1, x2, x3, x4, x5} và ma trận không tương tự như hình. Sử dụng thuật toán liên kết đơn (Single Linkage), sau khi gom x1 và x2 thành cụm C={x1, x2} thì khoảng cách giữa cụm C và x3 bằng bao nhiêu:

Đồ thị trong câu hỏi thể hiện sự so sánh giữa thời gian thực thi (tính bằng giây) của hai thuật toán FP-Growth và Apriori, được đo trên hai tập dữ liệu (Database) D1 và D2. Trục ngang thường biểu diễn các ngưỡng (thresholds) của độ hỗ trợ (support), trong khi trục dọc biểu diễn thời gian thực thi. Các đường cong trên đồ thị cho thấy thời gian mà mỗi thuật toán cần để hoàn thành việc khai phá tập phổ biến (frequent itemsets) ở các ngưỡng độ hỗ trợ khác nhau trên mỗi tập dữ liệu. Vì vậy, đáp án b là phù hợp nhất.

Câu hỏi yêu cầu so sánh thời gian thực thi của thuật toán FP-Growth và Apriori dựa trên đồ thị cho trước.

- Đáp án a: Sai. Thời gian thực thi của FP-Growth thường ít hơn Apriori.
- Đáp án b: Đúng. FP-Growth thường nhanh hơn Apriori vì nó không cần tạo ra nhiều tập ứng viên như Apriori.
- Đáp án c: Sai. Apriori thường chậm hơn FP-Growth.
- Đáp án d: Sai. Có sự khác biệt đáng kể về thời gian thực thi giữa hai thuật toán, đặc biệt với dữ liệu lớn.

Vậy, đáp án đúng nhất là B.

Data Mining, hay còn gọi là khai phá dữ liệu, là một quy trình sử dụng các kỹ thuật từ nhiều lĩnh vực như thống kê, trí tuệ nhân tạo và học máy để khám phá ra các mẫu, xu hướng và thông tin hữu ích tiềm ẩn trong các tập dữ liệu lớn. Mục tiêu là biến dữ liệu thô thành tri thức có giá trị, hỗ trợ việc ra quyết định. Do đó, đáp án a là chính xác nhất. Các đáp án b và c chỉ là các tên gọi khác của Data Mining.

Thuật ngữ "Data Mining" trong tiếng Anh dịch sang tiếng Việt có nghĩa là "Khai phá dữ liệu" hoặc "Khai thác dữ liệu". Đây là quá trình tìm kiếm và khám phá ra các mẫu, xu hướng, và thông tin hữu ích từ một lượng lớn dữ liệu. Các phương án b, c, d là các khái niệm cụ thể hơn liên quan đến Data Mining, nhưng không phải là nghĩa trực tiếp của thuật ngữ này.