(Tiểu luận) tiểu luận dự báo loài động vật theo thuộc tính dựa vào phương pháp phân lớp

ĐẠI HỌC UEH TRƯỜNG KINH TẾ, LUẬT VÀ QUẢN LÍ NHÀ NƯỚC KHOA KINH TẾ TIỂU LUẬN Dự báo loài động vật theo thuộc tính dựa vào phương pháp phân lớp Môn học: Khoa học liệu Giảng viên: Võ Thành Đức Mã lớp học phần: 22D1INF50905909 Khóa – Lớp: K46 – AE001 Sinh viên: Đặng Thị Mỹ Linh Nguyễn Thị Thanh Ngân Trần Minh Đức Trần Đào Lan Anh Hồng Thị Minh Lý TP Hồ Chí Minh, ngày 27 tháng năm 2022 h MỤC LỤC Danh mục hình ảnh Danh mục bảng CHƯƠNG I: TỔNG QUAN 1.1 Lý chọn đề tài .4 1.1.1 Mục tiêu nghiên cứu 1.1.2 Đối tượng nghiên cứu: 1.2 Mơ tả tốn .5 1.3 Mô tả phương pháp 1.3.1 Phương pháp phân lớp (classification) dự báo: 1.3.2 Một số phương pháp phân lớp .6 1.4 Câu hỏi nghiên cứu 11 CHƯƠNG II THU THẬP VÀ LÀM SẠCH DỮ LIỆU 12 2.1 Mô tả tổng quát liệu (Cơ sở liệu) 12 2.2 Trình bày sơ lược thuộc tính lựa chọn đưa vào mơ hình 12 2.3 Xác định biến mục tiêu (Nếu dự đốn có kiểm sốt) 14 2.4 Trình bày bước giải pháp làm liệu 15 CHƯƠNG III: KIỂM ĐỊNH MƠ HÌNH 16 CHƯƠNG IV: ĐÁNH GIÁ VÀ LỰA CHỌN MƠ HÌNH 24 4.1 Đánh giá kết phương pháp Test and Score 24 4.2 Đánh giá kết phương pháp Ma trận nhầm lẫn 25 CHƯƠNG V: TRIỂN KHAI MƠ HÌNH 25 5.1: Mục tiêu việc triển khai mô hình: 25 5.1.1: Chính sách chăm sóc 25 5.1.2: Ví dụ: 27 5.2 Hiệu kinh tế mơ hình 27 CHƯƠNG VI: BÁO CÁO TÌNH HÌNH THỰC HIỆN DỰ ÁN 27 6.1 Phân công công việc 27 6.2 Nội dung hoạt động 28 6.3 Đánh giá mức độ đóng góp 28 h Danh mục hình ảnh Hình 1:Định nghĩa phân lớp liệu Hình 2: Quá trình phân lớp liệu Hình 3:Ví dụ Hồi quy Logistic Hình 4: Ví dụ Decision Tree Hình 5: Ví dụ SVM Hình 6:Ví dụ Random Forest Hình 7: Ví dụ Naive Bayes 10 Hình 8: Ví dụ Neural Network 11 Hình 9: Xác định biến 14 Hình 10: Xác định biến 14 Hình 11: Làm liệu 15 Hình 12: Data Table 16 Hình 13: Distributions 16 Hình 14: Tree Viewer 17 Hình 15: Quy trình chạy Orange 18 Hình 16: Kết Test and Score 18 Hình 17: Kết ma trận nhầm lẫn mơ hình Tree 19 Hình 18: Kết ma trận nhầm lẫn mơ hình Naive Bayes 20 Hình 19: Kết ma trận nhầm lẫn mơ hình Random Forest 21 Hình 20: Kết ma trận nhầm lẫn mơ hình SVM 22 Hình 21: Kết ma trận nhầm lẫn mơ hình Neural Network 22 Hình 22: Kết ma trận nhầm lẫn mơ hình Logistic Regression 23 Hình 23: Kết dự báo 24 Hình 24: Kết dự báo 24 Hình 25: Mơ hình phúc lợi động vật 25 Hình 26: Gấu trúc 26 Hình 27: Ví dụ 27 Danh mục bảng Table 1: Mô tả biến 13 h CHƯƠNG I: TỔNG QUAN 1.1 Lý chọn đề tài Ngày giới động vật vấn đề quan tâm, vườn thú hướng đến mục tiêu kết nối người với thiên nhiên Là cầu nối quan trọng người giới tự nhiên, vườn thú cho phép người trải nghiệm động vật môi trường an tồn hấp dẫn Chúng góp phần bảo tồn đa dạng sinh học giới, đồng thời giúp tăng cường hiểu biết loài động vật vai trị quan trọng chúng Ngồi ra, thơng qua việc cải thiện giáo dục môi trường, nhận thức cộng đồng, vận động hoạt động khác, vườn thú khuyến khích cơng tác bảo tồn lồi động vật hoang dã môi trường tự nhiên Như biết, giới động vật đa dạng phong phú Trong thực tế, loài động vật sở thú có trạng thái mn vẻ môi trường cư trú, cộng đồng sinh vật tiến trình sinh vật, cho thấy nhóm thuộc tính khác nhau, với nhóm có thuộc tính lơng vũ, đẻ trứng, số chân, nơi sinh sống, hoàn toàn khác Phân biệt đa dạng thuộc tính vấn đề đáng quan tâm Và điều kiện nuôi nhốt, chuồng trại phải vừa đảm bảo đủ yếu tố theo yêu cầu loài phải đảm bảo loài động vật thực hành vi tập tính chúng điều kiện tự nhiên Chuồng trại phải cung cấp đầy đủ nước uống, thức ăn, bóng râm, chỗ trú ẩn phù hợp cho động vật Từ có thơng tin, số liệu cụ thể yếu tố ảnh hưởng đến mơi trường sống lồi động vật Từ đó, dễ dàng tiếp cận việc khai phá liệu để dự báo xác xuất nhóm lồi động vật khác liệu thu thập Vậy nên, việc phân lớp nhóm lồi động vật đóng vai trị quan trọng sở thú việc quản lý, chăm sóc phù hợp cho nhóm Từ đó, bảo đảm nâng cao chất lượng bảo tồn loài động vật tăng lượng du khách tham quan sở thú Vì thế, nhóm chúng em lựa chọn đề tài “Dự báo loài động vật theo thuộc tính dựa vào phương pháp phân lớp” làm báo cáo kết thúc môn học 1.1.1 Mục tiêu nghiên cứu Dùng dự báo phân lớp để phân loại đối tượng động vật có thuộc tính để có cách chăm sóc khác Tìm khác biệt đối tượng 1.1.2 Đối tượng nghiên cứu: Sử dụng liệu zoo dataset phần mềm Orange tiến hành khai thác liệu cần thiết h 1.2 Mơ tả tốn Sử dụng Excel phần mềm Orange để xử lý liệu giải toán sau: Bài toán 1: Bài toán dự đoán lồi động vật (bài tốn phân lớp) Bài tốn 2: Phân lớp theo điều kiện, môi trường sinh sống (bài tốn phân lớp liệu) 1.3 Mơ tả phương pháp Phân lớp dự báo hai dạng phân tích liệu nhằm trích rút mơ hình mô tả lớp liệu quan trọng hay dự đoán xu hướng liệu tương lai Phân lớp dự đoán giá trị nhãn xác định (categorical label) hay giá trị rời rạc (discrete value), có nghĩa phân lớp thao tác đối tượng liệu mà có giá trị biết trước Trong đó, dự đốn lại xây dựng mơ hình với hàm nhận giá trị liên tục 1.3.1 Phương pháp phân lớp (classification) dự báo: Hình 1:Định nghĩa phân lớp liệu h Hình 2: Quá trình phân lớp liệu Quá trình phân lớp liệu gồm bước : Bước (learning): Quá trình học nhằm xây dựng mơ hình mơ tả tập lớp liệu hay khái niệm định trước Đầu vào trình tập liệu có cấu trúc mơ tả thuộc tính tạo từ tập giá trị thuộc tính Bước 2: Đánh giá mơ hình phân lớp liệu 1.3.2 Một số phương pháp phân lớp  Logistic Regression Hồi quy logistic phương pháp phân tích thống kê để dự đoán kết nhị phân, chẳng hạn có khơng, dựa quan sát trước tập liệu Mơ hình hồi quy logistic dự đoán biến liệu phụ thuộc cách phân tích mối quan hệ nhiều biến độc lập có h Hình 3:Ví dụ Hồi quy Logistic Decision Tree Trong lý thuyết quản trị, định đồ thị định kết kèm nhằm hỗ trợ trình định Trong lĩnh vực khai thác liệu, định phương pháp nhằm mô tả, phân loại tổng quát hóa tập liệu cho trước Hình 4: Ví dụ Decision Tree h SVM (Support Vector Machine) SVM thuật toán có giám sát, SVM nhận liệu vào, xem chúng vector không gian phân loại chúng vào lớp khác cách xây dự ng siêu phẳng không gian nhiều chiều làm mặt phân cách lớp liệu Để tối ưu kết phân lớp phải xác định siêu phẳng (hyperplane) có khoảng cách đến điểm liệu (margin) tất lớp xa SVM có nhiều biến thể phù hợp với tốn phân loại khác Hình 5: Ví dụ SVM Random Forest Khái niệm: phương pháp học quần thể để phân loại, hồi quy nhiệm vụ khác, hoạt động cách xây dựng vô số định thời gian đào tạo đầu tập hợp mơ hình phân lớp hồi quy riêng biệt Đặc điểm: + Nó đạt xác cao thuật tốn hành + Nó chạy hiệu sở liệu lớn + Nó xử lý hàng ngàn biến đầu vào mà khơng cần xóa biến + Nó cung cấp ước tính biến quan trọng việc phân loại h + Nó tạo ước lượng không chênh lệch lỗi nội lỗi tổng quan q trình phát triển rừng + Nó có phương pháp hiệu để ước lượng liệu bị trì độ xác tỷ lệ lớn liệu bị Hình 6:Ví dụ Random Forest Naive Bayes Định nghĩa: Bộ phân lớp Bayes giải thuật thuộc lớp giải thuật thống kê, dự đốn xác suất phần tử liệu thuộc vào lớp Phân lớp Bayes dựa định lý Bayes Ưu điểm - Giả định độc lập: hoạt động tốt cho nhiều toán/miền liệu ứng dụng Đơn giản đủ tốt để giải nhiều toán phân lớp văn bản, lọc spam, - Cho phép kết hợp tri thức tiền nghiệm (prior knowledge) liệu quan sát (obserwed data) Tốt có chênh lệch số lượng lớp phân loại - Huấn luyện mơ hình (ước lượng tham số) dễ nhanh Nhược điểm - Giả định độc lập (ưu điểm nhược điểm) hầu hết trường hợp thực tế có thuộc tính đối tượng thường phụ thuộc lẫn - Vấn đề zero - Mơ hình khơng huấn luyện phương pháp tối ưu mạnh chặt chẽ h - Tham số mơ hình ước lượng xác suất điều kiện đơn lẻ Khơng tính đến tương tác ước lượng Hình 7: Ví dụ Naive Bayes · Neural Network Khái niệm: Neural Network (mạng nơ-ron nhân tạo), chuỗi thuật tốn đưa để tìm kiếm mối quan hệ tập hợp liệu Thông qua việc bắt bước cách thức hoạt động từ não người Nói cách khác, mạng nơ ron nhân tạo xem hệ thống tế bào thần kinh nhân tạo Đây thường hữu nhân tạo chất Đặc điểm: Trong lĩnh vực tài chính, mạng nơ ron nhân tạo hỗ trợ cho trình phát triển quy trình như: giao dịch thuật toán, dự báo chuỗi thời gian, phân loại chứng khốn, mơ hình rủi ro tín dụng xây dựng báo độc quyền công cụ phát sinh giá + Mạng nơ ron nhân tạo hoạt động mạng nơ ron người Mỗi nơ ron thần kinh nơ ron nhân tạo hàm toán học với chức thu thập phân loại thông tin dựa theo cấu trúc cụ thể + Neural Network có tương đồng chuẩn mạnh vối phương pháp thống kê đồ thị đường cong phân tích hồi quy Neural Network có chứa lớp bao hàm nút liên kết lại với Mỗi nút lại tri giác có cấu tạo tương tự với hàm hồi quy đa tuyến tính Bên lớp tri giác đa lớp, chúng xếp dựa theo lớp liên kết với Lớp đầu vào thu thập mẫu đầu vào lớp đầu thu nhận phân loại tín hiệu đầu mà mẫu đầu vào phản ánh lại 10 h 2.4 Trình bày bước giải pháp làm liệu Hình 11: Làm liệu Làm liệu (data cleaning/cleansing): loại bỏ nhiễu (remove noise), hiệu chỉnh phần liệu không quán (correct data inconsistencies)  Bao gồm các bước: + Tóm tắt hoá liệu + Xử lý liệu bị thiếu (missing data) + Xử lý liệu bị nhiễu (noisy data)  Giải pháp làm liệu Dữ liệu bị thiếu: - Bỏ qua - Xử lý tay (không tự động, bán tự động) - Dùng giá trị thay (tự động): số toàn cục, trị phổ biến nhất, trung bình tồn cục, trung bình cục bộ, trị dự đoán, … Ngăn chặn liệu bị thiếu: thiết kế tốt CSDL thủ tục nhập liệu (các ràng buộc liệu) Dữ liệu bị nhiễu: - Phân giỏ (binning) - Hồi quy (regression) - Phân tích cụm (cluster analysis) 15 h CHƯƠNG III: KIỂM ĐỊNH MÔ HÌNH Đầu tiên, ta tiến hành nghiên cứu liệu để tìm hiểu tất lồi thuộc tính khác cách sử dụng widget Data table Hình 12: Data Table Ngồi ra, cịn sử dụng widget Distributions – liệu thuộc tính phân phối theo biến mục tiêu cách rõ ràng dễ nhìn qua biểu đồ cột Ví dụ: thuộc tính động vật ăn thịt (predator) mammal chiếm số lượng nhiều số 101 quan sát Hình 13: Distributions 16 h Hình 14: Tree Viewer Quy trình thực chạy phần mềm Orange phân lớp liệu  Bước 1: Chọn liệu file “zoo” chọn biến “type” làm target  Bước 2: Xây dựng mơ hình phân lớp: Y = hair + feathers + eggs + milk + airborne + aquatic + predator + toothed + backbone + breathers + venomous + fins + legs + tail + domestic + catsize  Bước 3: Dùng phương pháp: Tree, Naive Bayes, Random Forest, Neural Network, Logistic Regression SVM để tiến hành phân loại biến mục tiêu theo thuộc tính nêu đánh giá hiệu phương pháp  Bước 4: Sử dụng công cụ Test & Score Confusion Matrix để đánh giá mơ hình lựa chọn mơ hình tốt  Bước 5: Chọn mơ hình đánh giá tốt dùng phương pháp để dự báo cho liệu “zoo” theo “type”  Bước 6: Sử dụng công cụ Predictions để dự báo liệu đưa kết dự báo 17 h Hình 15: Quy trình chạy Orange Hình 16: Kết Test and Score Test and Score: 18 h Nhận xét kết quả: Mô hình Tree có số AUC 0.972 Precision 0.881 Mơ hình SVM có số AUC 0.988 Precision 0.958 Mơ hình Random Forest có số AUC 0.996 Precision 0.960 Mô hình Neural Network có số AUC 1.000 Precision 0.991 Mơ hình Naive Bayes có số AUC 0.998 Precision 0.967 Mơ hình Logistic Regression có số AUC 0.999 Precision 0.981  Vậy mơ hình tốt Neural Network có số AUC Precision cao mơ hình Tuy nhiên, để có thêm kiểm định mơ hình phù hợp ta dùng ma trận nhầm lẫn (Confusion Matrix) Ma trận nhầm lẫn:  Mơ hình Tree: Hình 17: Kết ma trận nhầm lẫn mơ hình Tree             Dự báo loài động vật amphibian thực tế amphibian-True positive : 57.1% Dự báo loài động vật amphibian thực tế invertebrate-False positive : 14.3% Dự báo loài động vật amphibian thực tế reptile-False positive : 28.6% Dự báo loài động vật bird thực tế bird - True positive : 100% Dự báo loài động vật fish thực tế fish - True positive : 86.7% Dự báo loài động vật fish thực tế reptile-False positive : 13.3% Dự báo loài động vật insect thực tế insect-True positive : 72.7% Dự báo loài động vật insect thực tế invertebrate-False positive : 27.3% Dự báo loài động vật invertebrate thực tế invertebrate-True positive : 85.7% Dự báo loài động vật invertebrate thực tế reptile - False positive : 14.3% Dự báo loài động vật mammal thực tế mammal - True positive : 100% Khơng dự báo reptile 19 h  Mơ hình Naive Bayes: Hình 18: Kết ma trận nhầm lẫn mơ hình Naive Bayes Dự báo lồi động vật amphibian thực tế amphibian-True positive : 80% Dự báo loài động vật amphibian thực tế reptile-False positive : 20%   Dự báo loài động vật bird thực tế bird - True positive : 100% Dự báo loài động vật fish thực tế fish - True positive : 100% Dự báo loài động vật insect thực tế insect - True positive : 100% Dự báo loài động vật invertebrate thực tế invertebrate - True positive : 100% Dự báo loài động vật mammal thực tế mammal - True positive : 100%      Dự báo loài động vật reptile thực tế reptile-True positive : 50% Dự báo loài động vật reptile thực tế mammal-False positive : 37.5% Dự báo loài động vật reptile thực tế invertebrate-False positive : 12.5%     Mơ hình Random Forest: 20 h Hình 19: Kết ma trận nhầm lẫn mơ hình Random Forest Dự báo loài động vật amphibian thực tế amphibian-True positive : 80% Dự báo loài động vật amphibian thực tế reptile-False positive : 20%   Dự báo loài động vật bird thực tế bird - True positive : 100% Dự báo loài động vật fish thực tế fish - True positive : 100% Dự báo loài động vật insect thực tế insect - True positive : 100% Dự báo loài động vật reptile thực tế reptile - True positive : 100%     Dự báo loài động vật invertebrate thực tế invertebrate - True positive : 90.9% Dự báo loài động vật invertebrate thực tế insect - False positive : 9.1%      Dự báo loài động vật mammal thực tế mammal - True positive : 97.6% Dự báo loài động vật mammal thực tế reptile - False positive : 2.4% Mơ hình SVM: 21 h Hình 20: Kết ma trận nhầm lẫn mơ hình SVM             Dự báo loài động vật amphibian thực tế amphibian-True positive : 100% Dự báo loài động vật bird thực tế bird - True positive : 100% Dự báo loài động vật fish thực tế fish - True positive : 100% Dự báo loài động vật insect thực tế insect - True positive : 100% Dự báo loài động vật invertebrate thực tế invertebrate - True positive : 76.9% Dự báo loài động vật invertebrate thực tế insect - False positive : 15.4% Dự báo loài động vật invertebrate thực tế fish - False positive : 7.7% Dự báo loài động vật mammal thực tế mammal - True positive : 97.6% Dự báo loài động vật mammal thực tế reptile - False positive : 2.4% Dự báo loài động vật reptile thực tế reptile - True positive : 80% Dự báo loài động vật reptile thực tế amphibian - False positive : 20%  Mơ hình Neural Network: Hình 21: Kết ma trận nhầm lẫn mơ hình Neural Network  Dự báo loài động vật amphibian thực tế amphibian-True positive : 100%  Dự báo loài động vật bird thực tế bird - True positive : 95.2% Dự báo loài động vật bird thực tế reptile - False positive : 4.8%  Dự báo loài động vật fish thực tế fish - True positive : 100%  22 h     Dự báo loài động vật insect thực tế insect - True positive : 100% Dự báo loài động vật invertebrate thực tế invertebrate - True positive : 100% Dự báo loài động vật mammal thực tế mammal - True positive : 100% Dự báo loài động vật reptile thực tế reptile-True positive : 100%  Mơ hình Logistic Regression: Hình 22: Kết ma trận nhầm lẫn mơ hình Logistic Regression          Dự báo loài động vật amphibian thực tế amphibian-True positive : 100% Dự báo loài động vật bird thực tế bird - True positive : 95.2% Dự báo loài động vật bird thực tế reptile - False positive : 4.8% Dự báo loài động vật fish thực tế fish - True positive : 92.9% Dự báo loài động vật fish thực tế reptile - False positive : 7.1% Dự báo loài động vật insect thực tế insect - True positive : 100% Dự báo loài động vật invertebrate thực tế invertebrate - True positive : 100% Dự báo loài động vật mammal thực tế mammal - True positive : 100% Dự báo loài động vật reptile thực tế reptile-True positive : 100% Dự báo: 23 h    Sau chọn mơ hình phân lớp có kết tốt nhất, ta tiến hành dự báo Chọn liệu file “zoo” loại bỏ biến mục tiêu để tiến hành dự báo, sau chuyển liệu vào Data Table Chọn ngẫu nhiên 10 quan sát tập liệu Zoo từ widget Data Sampler loại bỏ biến mục tiêu để tiến hành dự báo Sau kiểm tra kết mà mô hình Nạve Bayes dự báo, nhận thấy mơ hình dự báo liệu cách xác Vậy mơ hình ta chọn phù hợp để báo Zoo data xuất kết dự báo Kết dự báo  Hình 23: Kết dự báo Hình 24: Kết dự báo CHƯƠNG IV: ĐÁNH GIÁ VÀ LỰA CHỌN MƠ HÌNH 4.1 Đánh giá kết phương pháp Test and Score Dựa vào kết chạy số AUC Precision mơ hình có số AUC Precision lớn mơ hình hiệu Từ ta thấy mơ hình tốt Neural Network có số AUC 1.000 Precision 0.991 24 h 4.2 Đánh giá kết phương pháp Ma trận nhầm lẫn Kết ma trận nhầm lẫn mơ hình mơ hình Neural Network có số nhầm lẫn thấp nên chọn mơ hình làm mơ hình tốt => Dựa số đánh giá mơ hình mơ hình phù hợp cho liệu mơ hình Neural Network CHƯƠNG V: TRIỂN KHAI MƠ HÌNH 5.1: Mục tiêu việc triển khai mơ hình: Để dựa thuộc tính lồi động vật phân lớp từ chọn mơi trường sống, điều kiện sống, cách chăm sóc phù hợp với lồi 5.1.1: Chính sách chăm sóc  Phúc lợi động vật Phúc lợi động vật nghĩa cách thức động vật đối phó với điều kiện mơi trường sinh sống Một vật tình trạng phúc lợi tốt (như chứng khoa học) khỏe mạnh, thoải mái, ni dưỡng tốt, an tồn, thể hành vi khơng phải chịu đựng trạng thái khó chịu đau đớn, sợ hãi đau khổ Hình 25: Mơ hình phúc lợi động vật Ngày nay, nhận thấy bành trướng dân số loài người để lại ảnh hưởng lớn đến động vật phá huỷ sinh cảnh chúng, làm ô nhiễm môi trường sống chúng, giới thiệu loài xâm lấn vào hệ sinh thái chúng, xây dựng hạ tầng đường bay chúng, trồng trọt vùng đất, chặt cây, lái ô tô, 25 h đốt nhiên liệu, khiến trở thành vấn đề lớn phúc lợi cá thể động vật, công tác bảo tồn quần thể lồi Trong bối cảnh đó, vườn thú đóng vai trị quan trọng Các sở chăm sóc tốt phản hồi tích cực trước quan ngại thơng qua chương trình nghiên cứu, sáng kiến đổi theo dõi giám sát thiết kế để cải thiện phúc lợi động vật họ chăm sóc Hơn nữa, nhiều vườn thú tham gia vào hoạt động bảo tồn; hoạt động lựa chọn thực với cân nhắc phúc lợi động vật, chúng có tiềm cải thiện phúc lợi động vật hoang dã đóng góp vào cơng tác bảo tồn lồi quần thể Cuối cùng, vườn thú truyền tải thơng điệp đến lượng lớn cơng chúng có tiềm khơi dậy cảm thơng khuyến khích họ hành động theo hướng mà ủng hộ phúc lợi bảo tồn động vật sống điều kiện tự  Điều kiện sống Để động vật có trải nghiệm tích cực, trước tiên cần phải đáp ứng điều kiện sống chúng với nhiều nhu cầu, chức vật Nhu cầu động vật đóng vai trị quan trọng sống cịn (ví dụ, nhu cầu cần oxy, nước, thức ăn cân nhiệt, tránh bị tổn thương bệnh nặng) Chỉ điều nhu cầu sinh tồn khác đáp ứng, trải nghiệm tiêu cực liên quan khó thở, khát, đói, khó chịu đau đớn giảm thiểu, động vật có trải nghiệm tích cực Hình 26: Gấu trúc => Với gấu trúc cần có điều kiện sống thống mát với nhiều xanh gỗ cứng để giúp chúng leo trèo thuận lợi, với thức ăn tre, trúc 26 h => Trong vườn thú, tạo khu vực sinh sống cho gấu trúc thoải mái, khơng khí mát mẻ, đảm bảo khơng có cạnh tranh mơi trường sống thức ăn với 5.1.2: Ví dụ: Hình 27: Ví dụ Giả sử, chưa biết thuộc loài nào, thì tiến hành phân loại thuộc tính để dự báo chúng thuộc lồi  Có chân  Có xương sống  Có  Có lơng  Có  Có độc  Ăn thịt  Đẻ  Sống cạn  Không vật nuôi => Dựa vào thuộc tính nên ta dự đốn lửng mật lồi động vật có vú 5.2 Hiệu kinh tế mơ hình Phân lớp lồi động vật dựa thuộc tính lồi giúp cho người chăm sóc sở thú tạo mơi trường sống thích hợp, lý tưởng cho lồi Từ giúp cho chất lượng đời sống động vật nâng cao, giúp cho động vật phát triển cách tự nhiên tiết kiệm chi phí phát sinh khác Bên cạnh đó, việc phân lớp lồi động vật giúp cho sở thú tăng lượt khách tham quan, tăng doanh thu CHƯƠNG VI: BÁO CÁO TÌNH HÌNH THỰC HIỆN DỰ ÁN 6.1 Phân công công việc 27 h STT 6.2 Nội dung công việc I Tổng quan II Thu thập làm liệu III.Kiểm định mơ hình VI Báo cáo tình hình thực dự án IV Đánh giá lựa chọn mơ hình V Triển khai mơ hình Tổng hợp chỉnh sửa thành file hoàn chỉnh Những người thực Trần Minh Đức Hoàng Thị Minh Lý Đặng Thị Mỹ Linh Trần Đào Lan Anh Nguyễn Thị Thanh Ngân Trần Đào Lan Anh Nội dung hoạt động Ngày/Giờ Hình thức họp 13/03/2022 19h30 Thành phần tham gia Online-Google Meet Tất thành viên nhóm 16/03/2022 14h Offline-Thư viện sở B1 16/03/2022 20h 20/03/2022 20h Online-Google Meet Trần Đào Lan Anh Nguyễn Thị Thanh Ngân Online-Google Meet Tất thành viên 22/03/2022 STT 6.3 Đặng Thị Mỹ Linh Trần Đào Lan Anh Nguyễn Thị Thanh Ngân Online-Google Meet Tất thành viên Nội dung -Bàn hướng làm dự án -Đưa ý tưởng cho dự án -Phân tích yêu cầu giảng viên -Phân công công việc -Giao deadline cho nội dung ngày 20/03/2022 - Xem xét lại sau kiểm định mơ hình qua Orange để tiến hành làm tiếp phần - Viết nội dung cho mục IV,V -Nộp tất nhiệm vụ phân công -Đọc lại chỉnh sửa nội dung -Xem lại file hồn chỉnh -Phân cơng: thuyết trình, làm slide Đánh giá mức độ đóng góp 28 h STT Họ Tên thành viên Đánh giá Trần Minh Đức Tốt Hoàng Thị Minh Lý Tốt Đặng Thị Mỹ Linh Tốt Trần Đào Lan Anh Tốt Nguyễn Thị Thanh Ngân Tốt 29 h