Phát biểu nào sau đây là đúng 

Làm sạch dữ liệu (data cleaning) là quá trình phát hiện và sửa chữa (hoặc loại bỏ) các dữ liệu sai lệch, không chính xác, không đầy đủ, không liên quan và trùng lặp trong một tập dữ liệu. Mục tiêu của quá trình làm sạch dữ liệu là cải thiện chất lượng dữ liệu để có thể sử dụng dữ liệu đó một cách hiệu quả cho các phân tích, mô hình hóa và ra quyết định. Các công việc chính trong làm sạch dữ liệu bao gồm:

* Xử lý giá trị thiếu: Điền các giá trị còn thiếu bằng các phương pháp phù hợp (ví dụ: sử dụng giá trị trung bình, giá trị phổ biến nhất, hoặc các phương pháp phức tạp hơn).
* Xử lý dữ liệu nhiễu:
* Định danh ngoại lai (outlier): Xác định và xử lý các giá trị nằm ngoài phạm vi bình thường.
* Làm trơn dữ liệu: Sử dụng các kỹ thuật như binning (phân nhóm), regression (hồi quy) hoặc clustering (phân cụm) để giảm nhiễu.
* Chỉnh sửa dữ liệu không nhất quán: Sửa chữa các dữ liệu mâu thuẫn hoặc không tuân thủ các quy tắc.
* Giải quyết tính dư thừa sau tích hợp dữ liệu: Loại bỏ các bản ghi trùng lặp hoặc các thuộc tính dư thừa sau khi tích hợp dữ liệu từ nhiều nguồn.

Với các phân tích trên, đáp án a là đáp án chính xác nhất.
Các đáp án còn lại không đúng vì:
* Đáp án b: "Làm trơn theo biên, phương pháp đóng thùng" chỉ là một phần của "làm trơn dữ liệu" nói chung.
* Đáp án c và d: Phân cụm, phân lớp, hồi quy, tìm luật kết hợp, tìm kiếm đặc trưng là các bước thuộc khai phá dữ liệu, không phải làm sạch dữ liệu.

Độ hỗ trợ (Support) của một tập mục X trong khai phá luật kết hợp được định nghĩa là tỷ lệ các giao dịch trong cơ sở dữ liệu chứa tập mục X. Công thức tính là: Support(X) = (Số lượng giao dịch hỗ trợ X) / N, trong đó N là tổng số giao dịch trong cơ sở dữ liệu. Vì vậy, đáp án a là đáp án chính xác nhất.

Câu hỏi này kiểm tra kiến thức về khai phá dữ liệu, cụ thể là khái niệm "tập mục thường xuyên" (frequent itemset). Một tập mục được coi là thường xuyên nếu độ hỗ trợ (support) của nó lớn hơn hoặc bằng độ hỗ trợ tối thiểu (min_supp).

* Phương án a: Support(X) >= Min_Supp - Đây là định nghĩa chính xác của tập mục thường xuyên. Nếu độ hỗ trợ của tập mục X lớn hơn hoặc bằng ngưỡng tối thiểu, nó được coi là thường xuyên.
* Phương án b: Support(X) <= Min_Supp - Sai. Nếu độ hỗ trợ nhỏ hơn hoặc bằng ngưỡng tối thiểu, tập mục không được coi là thường xuyên.
* Phương án c: Support(X) = Min_Supp - Mặc dù độ hỗ trợ bằng ngưỡng tối thiểu vẫn thỏa mãn điều kiện là tập mục thường xuyên, nhưng phương án a bao quát hơn (lớn hơn hoặc bằng).
* Phương án d: Support(X): Min_Supp/N - Sai. Công thức này không đúng và không liên quan đến định nghĩa tập mục thường xuyên.

Số tập mục có thể được tạo ra từ N mục phân biệt (không tính tập rỗng) là 2^N - 1. Điều này xuất phát từ việc mỗi mục có hai trạng thái: có mặt hoặc không có mặt trong một tập con. Vì vậy, có 2^N tập con có thể được tạo ra. Tuy nhiên, câu hỏi yêu cầu không tính tập rỗng, nên ta trừ đi 1.

Thuật toán Apriori dùng để khai thác luật kết hợp trong khai phá dữ liệu. Nguyên tắc cơ bản của Apriori là: Nếu một tập mục là thường xuyên (frequent), thì tất cả các tập con của nó cũng phải là thường xuyên. Ngược lại, nếu một tập mục không phải là thường xuyên, thì tất cả các tập cha của nó cũng không phải là thường xuyên.

Trong bài toán này, ta có các tập mục thường xuyên 2-item là: {A,B}, {A,C}, {B,D}.

Để sinh các tập mục ứng viên 3-item, ta ghép các tập mục 2-item có chung item.

- Ghép {A,B} và {A,C} ta được {A, B, C}.
- Ghép {A,B} và {B,D} ta được {A, B, D}.
- Ghép {A,C} và {B,D} không có phần tử chung.

Vậy, các ứng viên sinh ra có 3-item là: {A, B, C}, {A, B, D}.