Khi chọn đại diện cho cụm, có thể chọn các đại diện sau:

Trong bảng dữ liệu, các thuộc tính dùng để phân lớp (hay còn gọi là thuộc tính điều kiện) là những cột mà giá trị của chúng được sử dụng để dự đoán giá trị của thuộc tính mục tiêu (cột quyết định). Trong bảng này, ta thấy có 4 thuộc tính là: Màu sắc, Kích thước, Hình dạng, Kết cấu. Các thuộc tính này được dùng để dự đoán thuộc tính mục tiêu là 'Phân loại'.

Câu hỏi yêu cầu xác định các thuộc tính được sử dụng để phân lớp trong tập dữ liệu cho trước. Các thuộc tính này là các cột trong bảng được sử dụng để dự đoán giá trị của cột mục tiêu (Play Ball). Nhìn vào bảng, ta thấy các thuộc tính Outlook, Temperature, Humidity và Wind được sử dụng để dự đoán giá trị Play Ball.

Thuật toán ILA (Incremental Learning Algorithm) chia tập dữ liệu thành các bảng con sao cho các ví dụ trong mỗi bảng con là nhất quán với nhau theo một tập các thuộc tính đã chọn. Trong trường hợp này, ta cần xem xét các thuộc tính và giá trị của chúng để xác định cách chia bảng.

Nhìn vào bảng dữ liệu, ta thấy rằng các thuộc tính A, B, C có các giá trị khác nhau. Tuy nhiên, ta có thể chia bảng thành 3 bảng con dựa trên giá trị của thuộc tính C:

* Bảng 1: C = 0 (2 dòng đầu)
* Bảng 2: C = 1 (2 dòng tiếp theo)
* Bảng 3: C = 2 (các dòng còn lại)

Như vậy, đáp án đúng là 3 bảng.

Thuật toán liên kết đơn (Single Linkage) chọn hai phần tử gần nhau nhất (có khoảng cách nhỏ nhất) để gom thành một cụm ở bước đầu tiên. Trong ma trận không tương tự đã cho, ta tìm giá trị nhỏ nhất:
- Khoảng cách giữa x1 và x2 là 0.2
- Khoảng cách giữa x1 và x3 là 0.3
- Khoảng cách giữa x1 và x4 là 0.4
- Khoảng cách giữa x1 và x5 là 0.7
- Khoảng cách giữa x2 và x3 là 0.4
- Khoảng cách giữa x2 và x4 là 0.5
- Khoảng cách giữa x2 và x5 là 0.6
- Khoảng cách giữa x3 và x4 là 0.7
- Khoảng cách giữa x3 và x5 là 0.5
- Khoảng cách giữa x4 và x5 là 0.8

Giá trị nhỏ nhất là 0.2, tương ứng với cặp phần tử x1 và x2. Do đó, cặp phần tử được chọn để gom thành một cụm ở bước đầu tiên là x1 và x2.

Để giải quyết câu hỏi này, ta cần tính độ tin cậy (confidence) của từng luật kết hợp được đưa ra trong các phương án và so sánh với ngưỡng tin cậy tối thiểu (Min_Confidence) là 50%. Công thức tính độ tin cậy là: Confidence(X → Y) = Support(X ∪ Y) / Support(X), trong đó Support là số giao dịch chứa tập mục.

a. B --> CE:
- Support({B, C, E}) = 2 (giao dịch 1 và 3)
- Support({B}) = 3 (giao dịch 1, 3 và 5)
- Confidence(B --> CE) = 2 / 3 = 0.6667 hay 66.67%

b. A --> D:
- Support({A, D}) = 3 (giao dịch 2, 4 và 5)
- Support({A}) = 4 (giao dịch 2, 4, 5 và 6)
- Confidence(A --> D) = 3 / 4 = 0.75 hay 75%

c. C --> E:
- Support({C, E}) = 3 (giao dịch 1, 3 và 4)
- Support({C}) = 4 (giao dịch 1, 3, 4 và 6)
- Confidence(C --> E) = 3 / 4 = 0.75 hay 75%

d. AB --> C:
- Support({A, B, C}) = 1 (giao dịch 6)
- Support({A, B}) = 1 (giao dịch 6)
- Confidence(AB --> C) = 1/ 1 = 1 hay 100%

Như vậy, các luật A-->D, C-->E và AB-->C có độ tin cậy lớn hơn hoặc bằng 75%. Vì trong câu hỏi chỉ hỏi luật nào có độ tin cậy = 75% nên ta chọn đáp án B và C