Luật kết hợp nào không thỏa mãn điều kiện đề bài:

Tập nào là tập mục thường xuyên với độ hỗ trợ là 25%:

Lời giải:

Đáp án đúng: A

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 một tập hợp các mục xuất hiện trong cơ sở dữ liệu giao dịch với tần suất tối thiểu được chỉ định bởi độ hỗ trợ. Độ hỗ trợ là tỷ lệ phần trăm các giao dịch chứa tập mục đó.

Trong trường hợp này, độ hỗ trợ là 25%. Điều này có nghĩa là một tập mục được coi là thường xuyên nếu nó xuất hiện trong ít nhất 25% số giao dịch. Vì chúng ta không có thông tin về cơ sở dữ liệu giao dịch, chúng ta không thể xác định tập mục thường xuyên một cách chính xác. Tuy nhiên, nếu giả sử các tập con của một tập mục không thường xuyên thì cũng không thường xuyên, và các tập cha của một tập mục thường xuyên thì cũng thường xuyên. Trong bài toán này, không có đủ thông tin để xác định đáp án chính xác, tuy nhiên nếu có thêm thông tin về cơ sở dữ liệu giao dịch thì có thể xác định được đáp án.

Câu 29:

Sử dụng thuật toán Apriori để tìm các tập mục thường xuyên, số lần duyệt CSDL là:

Lời giải:

Đáp án đúng: A

Thuật toán Apriori hoạt động bằng cách duyệt qua cơ sở dữ liệu nhiều lần để tìm ra các tập mục phổ biến. Mỗi lần duyệt (pass) sẽ tạo ra các ứng viên cho tập mục phổ biến (candidate itemsets) và sau đó đếm tần suất xuất hiện của chúng. Số lần duyệt CSDL phụ thuộc vào độ dài lớn nhất của tập mục phổ biến tìm được. Trong trường hợp tổng quát, số lần duyệt CSDL bằng với độ dài lớn nhất của tập mục phổ biến. Do đó, không có một con số cố định cho số lần duyệt mà nó phụ thuộc vào dữ liệu cụ thể. Tuy nhiên, các đáp án đưa ra đều là các con số cụ thể. Vì thuật toán Apriori cần duyệt CSDL ít nhất 2 lần để tìm các tập mục phổ biến (1 lần tạo itemset có độ dài 1, 1 lần tạo itemset có độ dài 2 trở lên), nên đáp án A (3 lần) có vẻ hợp lý hơn các đáp án 1, 2, 4 lần. Tuy nhiên, đề bài không có đủ thông tin để xác định chính xác đáp án. Nếu giả sử độ dài tập mục lớn nhất là k, thì số lần duyệt là k. Các đáp án A, B, C, D đều có thể đúng tuỳ vào dữ liệu.

Tuy nhiên, theo cách hoạt động cơ bản của thuật toán Apriori, ta cần:

Duyệt 1: Đếm số lượng các item riêng lẻ để tìm ra các item phổ biến (L1).
Duyệt 2: Tạo các cặp item từ L1 và đếm số lượng của chúng để tìm ra các cặp item phổ biến (L2).
Tiếp tục duyệt cho đến khi không còn itemset phổ biến nào được tìm thấy.

Vì vậy, số lần duyệt ít nhất là 2. Tuy nhiên, các lựa chọn khác có thể đúng tùy thuộc vào dữ liệu. Do đó, theo cách hiểu thông thường, số lần duyệt thường lớn hơn 2. Lựa chọn A có vẻ hợp lý nhất trong các lựa chọn đã cho.

Câu 30:

Cho FP-Tree như hình vẽ, mũi tên nét đứt biểu thị cho:

Lời giải:

Đáp án đúng: A

FP-Tree (Frequent Pattern Tree) là một cấu trúc cây được sử dụng trong khai thác dữ liệu để lưu trữ thông tin về các tập mục phổ biến. Các mũi tên nét đứt trong FP-Tree, xuất phát từ bảng tiêu đề (header table), trỏ đến nút đầu tiên của một mục cụ thể trong cây. Các nút sau đó có cùng mục sẽ được liên kết với nhau bằng các mũi tên nét đứt, tạo thành một danh sách liên kết. Do đó, mũi tên nét đứt biểu thị con trỏ xuất phát từ bảng đầu mục, trỏ vào nút sinh ra đầu tiên có cùng tên. Nút sinh ra sau có con trỏ từ nút cùng tên sinh ra ngay trước đó trỏ vào.

Câu 31:

Cho FP-Tree như hình vẽ, cơ sở điều kiện của nút M là:

Lời giải:

Đáp án đúng: A

Cơ sở điều kiện của một nút trong FP-Tree là tập hợp các tiền tố đường dẫn (prefix path) kết thúc tại nút đó, cùng với tần số xuất hiện của mỗi đường dẫn. Để tìm cơ sở điều kiện của nút M, ta duyệt ngược từ nút M về gốc của cây.

Có hai đường dẫn chứa M:
1. f -> c -> a -> m: Đường dẫn này có tần số 2. Vậy đóng góp vào cơ sở điều kiện là {f:2, c:2, a:2, m:2}
2. f -> c -> a -> b -> m: Đường dẫn này có tần số 1. Vậy đóng góp vào cơ sở điều kiện là {f:1, c:1, a:1, b:1, m:1}

Kết hợp hai đường dẫn trên, ta có cơ sở điều kiện của M là {f:2, c:2, a:2, m:2}, {f:1, c:1, a:1, b:1, m:1}.

Câu 32:

Hãy cho biết Refund=No, MarSt = Married, TaxInc=80K thì kết luận có giá trị gì?

Lời giải:

Đáp án đúng: A

Câu hỏi đưa ra các thuộc tính: Refund=No (không hoàn tiền), MarSt=Married (đã kết hôn), TaxInc=80K (thu nhập 80 nghìn). Tuy nhiên, không có thông tin về mục tiêu (target variable) hoặc ngữ cảnh cụ thể để kết luận giá trị của các thuộc tính này. Ví dụ, chúng ta không biết liệu các thuộc tính này có liên quan đến việc chấp nhận hay từ chối một khoản vay, hoặc phân loại khách hàng hay không. Vì vậy, không thể đưa ra kết luận cụ thể chỉ dựa trên thông tin đã cho.

Câu 33:

Có bao nhiêu luật sinh ra từ cây quyết định trên:

Lời giải: