Cho tập ví dụ học như bảng. P(Play Ball= No) là:

Câu hỏi yêu cầu tìm kết luận sai trong các kết luận đã cho.

- Phương án A: Thuật toán Quinlan (ID3, C4.5) sử dụng Information Gain (độ lợi thông tin) hoặc Gain Ratio (tỷ lệ lợi ích) để chọn thuộc tính làm gốc cho cây quyết định, chứ không phải chọn ngẫu nhiên. Vì vậy, phương án A sai.

- Phương án B: Entropy đo độ không chắc chắn hoặc độ hỗn loạn. Entropy cao nhất khi các lớp phân bố đều, và thấp nhất khi một lớp chiếm ưu thế. Vì vậy, độ phân biệt (độ lộn xộn) cao nhất thì Entropy cao nhất chứ không phải thấp nhất. Phương án B sai.

- Phương án C: Thuật toán học khái niệm CLS không chọn ngẫu nhiên một thuộc tính để làm gốc cây quyết định. Phương án C sai.

- Phương án D: Entropy là một số biến thiên trong đoạn [0, 1]. Phương án D đúng.

Như vậy các phương án A, B, C đều sai. Tuy nhiên, đề bài chỉ yêu cầu chọn một kết luận sai nhất. Phương án B thể hiện sai lệch lớn nhất về bản chất của entropy, còn phương án A và C sai về thuật toán cụ thể. Do đó, phương án B là kết luận sai nhất.

Trong thuật toán CLS (Concept Learning System) để xây dựng cây quyết định, mục tiêu là tìm ra thuộc tính tốt nhất để phân chia dữ liệu tại mỗi nút của cây. Thuộc tính "tốt nhất" thường là thuộc tính có khả năng phân biệt các ví dụ thuộc các lớp khác nhau một cách hiệu quả nhất. Điều này có nghĩa là chọn thuộc tính có độ phân biệt cao nhất, tức là thuộc tính mà khi chia dữ liệu theo các giá trị của nó, mỗi nhánh con sẽ chứa các ví dụ thuộc cùng một lớp hoặc có độ thuần khiết cao. Chọn thuộc tính ngẫu nhiên hoặc thuộc tính có độ phân biệt thấp sẽ không đảm bảo xây dựng được một cây quyết định hiệu quả trong việc phân loại dữ liệu. Entropy cao thường liên quan đến sự không chắc chắn và việc chọn thuộc tính có Entropy cao nhất có thể không phải lúc nào cũng dẫn đến kết quả tốt nhất trong CLS.