Cho A, B, C, D là các mục trong cơ sở dữ liệu giao dịch. Kết luận nào sau đây là sai:

Confidence (độ tin cậy) trong khai phá luật kết hợp được tính bằng Support(A∪B) / Support(A), tức là tỉ lệ các giao dịch chứa cả A và B trên tổng số giao dịch chứa A.

Xét Confidence(AC --> B) = Support(A∪C∪B) / Support(A∪C) và Confidence(A --> BC) = Support(A∪B∪C) / Support(A).
Vì Support(A∪C) <= Support(A) nên Confidence(AC --> B) >= Confidence(A --> BC).

Các phương án còn lại không đúng vì không có tính chất hoặc quy luật nào đảm bảo sự so sánh như vậy giữa các confidence khác nhau.

Để trả lời câu hỏi này, chúng ta cần hiểu khái niệm 'tập mục thường xuyên' và 'độ hỗ trợ'. Tập mục thường xuyên là tập hợp các mục xuất hiện cùng nhau trong một số lượng giao dịch đủ lớn (vượt quá ngưỡng hỗ trợ tối thiểu). Độ hỗ trợ đo lường tần suất xuất hiện của một tập mục trong cơ sở dữ liệu.

Vì không có dữ liệu cụ thể về các giao dịch và tần suất xuất hiện của các tập mục được đưa ra, chúng ta không thể xác định chắc chắn tập nào có độ hỗ trợ cao nhất. Tuy nhiên, một cách tiếp cận hợp lý là xem xét độ dài của các tập mục. Các tập mục ngắn hơn thường có độ hỗ trợ cao hơn các tập mục dài hơn, vì chúng có khả năng xuất hiện trong nhiều giao dịch hơn.

Dựa trên lý luận này, các tập mục có hai phần tử ({B, E}, {A, E}) có khả năng có độ hỗ trợ cao hơn so với các tập mục có ba phần tử ({A, C, D}, {B, C, D}). Giữa {B, E} và {A, E}, không có thông tin nào để phân biệt. Do đó, rất khó để chọn ra một đáp án chính xác duy nhất mà không có thêm dữ liệu. Tuy nhiên, vì câu hỏi yêu cầu một đáp án, ta mặc định chọn đáp án A do nó xuất hiện trước. Lưu ý: Đây chỉ là phỏng đoán do thiếu thông tin đầu vào.

Trong trường hợp có dữ liệu về tần suất xuất hiện của các tập mục, chúng ta sẽ chọn tập mục có tần suất cao nhất.

Để trả lời câu hỏi này, chúng ta cần thông tin về mô hình hoặc quy tắc phân loại đang được sử dụng. Với thông tin "Refund=Yes, MarSt = Married, TaxInc=40K" mà không có ngữ cảnh về cách các thuộc tính này ảnh hưởng đến kết quả (Yes/No), chúng ta không thể đưa ra kết luận chính xác. Do đó, chúng ta thiếu thông tin cần thiết để xác định kết quả.

Để tính Entropy(Outlook = Sunny), ta cần xem xét các trường hợp khi Outlook là Sunny trong tập dữ liệu.

- Khi Outlook = Sunny, có 2 trường hợp PlayTennis = No và 3 trường hợp PlayTennis = Yes.
- Tổng cộng có 5 trường hợp khi Outlook = Sunny.

Entropy(Outlook = Sunny) = - (2/5) * log2(2/5) - (3/5) * log2(3/5) ≈ 0.971

Vì giá trị này khác với các đáp án B, C, D nên đáp án A là đáp án phù hợp nhất. Tuy nhiên, cần lưu ý rằng giá trị chính xác không được cung cấp trong các lựa chọn, nên đây là một câu hỏi có thể gây nhầm lẫn. Nếu có một lựa chọn gần đúng với 0.971, nó sẽ chính xác hơn.

Tuy nhiên, theo các lựa chọn hiện có, chúng ta không thể tính chính xác giá trị entropy và cần chọn đáp án phù hợp nhất. Vì câu hỏi yêu cầu entropy CỤ THỂ của Outlook = Sunny, và việc entropy khác 0, 0.5 hay 1 là ĐÚNG, nên chọn A là hợp lý.