Trong thuật toán Apriori, tập mục chứa k-item được tạo ra bằng cách nào trong các cách sau: 

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.

Entropy đo lường độ không chắc chắn hoặc hỗn loạn của một tập dữ liệu. Trong trường hợp này, Entropy(C) = 0 có nghĩa là tập dữ liệu C hoàn toàn thuần nhất, tức là tất cả các phần tử trong C đều thuộc cùng một lớp. Vì C chỉ chứa hai giá trị Yes và No, Entropy(C) = 0 xảy ra khi tất cả các kết luận đều là Yes hoặc tất cả các kết luận đều là No. Do đó, đáp án đúng là a. Số kết luận ‘Yes’=0 hoặc Số kết luận ‘No’ =0.

Thuật toán CLS (Concept Learning System) xây dựng cây quyết định bằng cách chọn thuộc tính có độ phân biệt cao nhất (thông tin lớn nhất) tại mỗi bước để phân nhánh. Mục tiêu là chia tập dữ liệu thành các tập con thuần nhất hơn dựa trên giá trị của thuộc tính đó, giúp phân loại các mẫu dữ liệu một cách hiệu quả nhất.

Các lựa chọn khác không chính xác vì:
- Chọn ngẫu nhiên: Không đảm bảo hiệu quả phân loại.
- Độ phân biệt thấp nhất hoặc Entropy cao nhất: Dẫn đến cây quyết định phức tạp và hiệu suất kém.

Thuật toán Quinlan (ID3, C4.5, C5.0) là một thuật toán được sử dụng để xây dựng cây quyết định từ một tập dữ liệu cho trước. Cây quyết định là một mô hình dự đoán được sử dụng trong học máy để phân loại hoặc hồi quy. Do đó, đáp án đúng là "Xây dựng cây quyết định".