Xây dựng bộ phân lớp định giá xe dựa trên mô hình functional trees

- ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KINH TẾ KHOA HỆ THỐNG THÔNG TIN KINH TẾ cK in h tế H uế  họ KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Đ ại XÂY DỰNG BỘ PHÂN LỚP ĐỊNH GIÁ XE DỰA TRÊN SINH VIÊN THỰC HIỆN: ĐỖ THỊ TUYẾT SƯƠNG Tr ườ ng MƠ HÌNH FUNCTIONAL TREES NIÊN KHĨA 2015 -2019 - ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KINH TẾ KHOA HỆ THỐNG THÔNG TIN KINH TẾ tế H uế  h KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC in XÂY DỰNG BỘ PHÂN LỚP ĐỊNH GIÁ XE DỰA TRÊN Sinh viên thực họ cK MƠ HÌNH FUNCTIONAL TREES TS Nguyễn Đình Hoa Cương Đ ại Đỗ Thị Tuyết Sương Giáo viên hướng dẫn Lớp: K49B -THKT Tr ườ ng Niên khóa: 2015-2019 Huế, tháng 05/2019 - Lời Cảm Ơn Được phân công Khoa Hệ thống Thông tin Kinh tế, Trường Đại Học Kinh Tế Huế, sau ba tháng thực tập công ty Cố phần Dịch vụ COG viết luận văn, uế em hoàn thành Khóa luận tốt nghiệp cuối khóa Để hồn thành nhiệm vụ giao, nỗ lực học hỏi thân cịn có hướng dẫn tận tình thầy cô, tế H giúp đỡ bạn bè anh chị công ty, đặc biệt động viên tinh thần lớn từ gia đình Lời đầu tiên, em xin gửi lời cảm ơn chân thành tới giảng viên TS.Nguyễn Đình Hoa Cương, người hướng dẫn bảo tận tình cho em suốt trình học in h tập thực khóa luận tốt nghiệp Em xin cảm ơn thầy, cô giảng viên bảo em suốt trình cK học tập trường Đại học Kinh Tế - Đại học Huế Em xin cảm ơn tất bạn bè, anh chị công ty COG gia đình ln giúp họ đỡ động viên tinh thần cho em suốt trình vừa qua Tuy nhiên kiến thức chun mơn cịn hạn chế thân thiếu nhiều kinh Đ ại nghiệm thực tiễn nên nội dung báo cáo không tránh khỏi thiếu xót, em mong nhận góp ý, bảo thêm q thầy tồn thể cán bộ, công nhân viên doanh nghiệp để báo cáo hoàn thiện ng Một lần nữa, em xin gửi đến thầy cô, bạn bè cô chú, anh chị Tr ườ doanh nghiệp lời cảm ơn chân thành nhất! SV: Đỗ Thị Tuyết Sương Huế, tháng năm 2019 Kí tên SV Đỗ Thị Tuyết Sương i - LỜI CAM ĐOAN Em xin cam đoan chịu trách nhiệm tính xác thực độ tin cậy khóa luận tốt nghiệp, đảm bảo cơng trình nghiên cứu em, không chép cách bất Tr ườ ng Đ ại họ cK in h tế H uế hợp lệ từ nguồn SV: Đỗ Thị Tuyết Sương ii - MỤC LỤC DANH MỤC HÌNH ẢNH .v DANH MỤC BẢNG BIỂU vi DANH MỤC THUẬT NGỮ vii uế PHẦN I: MỞ ĐẦU 1 Lý chọn đề tài .1 tế H Mục tiêu nghiên cứu đề tài Đối tượng phạm vi nghiên cứu .1 Kết cấu khóa luận PHẦN II: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU in h CHƯƠNG 1: CƠ SỞ LÝ THUYẾT CỦA MƠ HÌNH FUNCTIONAL TREES 1.1 Tổng quan khai phá liệu cK 1.1.1 Nhu cầu khai phá tri thức .3 1.1.2 Khái niệm Khai phá liệu 1.1.3 Bùng nổ liệu họ 1.1.4 Quá trình phát tri thức 1.1.5 Ứng dụng Khai phá liệu Đ ại 1.2 Các phương pháp khai phá liệu 1.2.1 Phân lớp (Classification) 1.2.2 Hồi qui (Regression) ng 1.2.3 Phân cụm (Clustering) 1.2.4 Khai phá luật kết hợp (Association rule) 10 ườ 1.2.5 Một số phương pháp khác 12 1.2.6 Lợi ích khai phá liệu .12 Tr 1.2.7 Những thách thức khai phá liệu 12 1.3 Phát biểu toán nghiên cứu .13 1.4 Lý thuyết mơ hình Functional Trees 13 1.5 Lý thuyết mơ hình phân lớp sở .15 1.5.1 Mơ hình Nạve Bayes: 15 1.5.2 Mơ hình Cây định .16 SV: Đỗ Thị Tuyết Sương iii - 1.5.3 Mơ hình K – NN 17 1.6 Các cơng trình liên quan .18 CHƯƠNG 2: XÂY DỰNG MƠ HÌNH FUNCTIONAL TREES VỚI BỘ PHÂN LỚP ĐỊNH GIÁ XE .30 uế 2.1 Chuẩn bị liệu 30 2.2 Phương pháp xây dựng mơ hình 31 tế H 2.3 Các độ đo đánh giá hệ thống phân lớp 31 2.4 Xây dựng mơ hình Functional Trees 33 2.5 Phương pháp đánh giá mơ hình 33 2.6 Xây dựng ROC nhiều phân lớp Knowledge 34 in h CHƯƠNG 3: THÍ NGHIỆM VÀ KẾT QUẢ 35 3.1 Thiết lập thí nghiệm 35 cK 3.1.1 Xây dựng mơ hình phân lớp dựa phân lớp Functional Trees .36 3.1.2 Xây dựng mơ hình phân lớp dựa phân lớp Naïve Bayes .36 3.1.3 Xây dựng mơ hình phân lớp dựa phân lớp định(J48) 37 họ 3.1.4 Xây dựng mơ hình phân lớp dựa phân lớp IBk (k – NN) 37 3.2 Mô hình đánh giá ROC .38 Đ ại 3.3 Kết thí nghiệm 39 PHẦN III: KẾT LUẬN VÀ KIẾN NGHỊ 40 Kết đạt .40 ng Hạn chế đề tài .40 Hướng phát triển đề tài 40 Tr ườ DANH MỤC TÀI LIỆU THAM KHẢO 41 SV: Đỗ Thị Tuyết Sương iv - Khóa luận tốt nghiệp DANH MỤC HÌNH ẢNH Trang Tiến hóa cơng nghệ sở liệu theo quan điểm J.Han M.Kamber Hình 1.2 Hình ảnh minh họa bùng nổ liệu Hình 1.3 Quá trình phát tri thức Hình 1.4 Surpervised learning workflow Hình 1.5 Mơ hình Functional Trees 15 Hình 2.1 Dữ liệu Car Evaluation UCI 30 Hình 2.2 Hình thể cách tính Precision Recall 32 Hình 2.3 Giao diện thiết lập mơ hình Functional Trees 33 Hình 2.4 Xây dựng mơ hình đánh giá ROC nhiều phân lớp 34 Hình 3.1 Kết kiểm thử mơ hình phân lớp với phân lớp Functional Trees cK in h tế H uế Hình 1.1 Hình 3.2 họ liệu CarEvalution.arff 36 Kết kiểm thử mơ hình phân lớp với phân lớp Nạve bayes Hình 3.3 Đ ại liệu CarEvalution.arff 36 Kết kiểm thử mơ hình phân lớp với phân lớp J48 liệu CarEvalution.arff .37 Kết kiểm thử mô hình phân lớp với phân lớp K – NN (k=5) ng Hình 3.4 liệu CarEvalution.arff 37 Mô hình thiết lập hồn tất đánh giá liệu CarEvaluation.arff 38 Hình 3.6 Kết đánh giá mơ hình đường ROC liệu CarEvaluation.arff 39 Tr ườ Hình 3.5 SV: Đỗ Thị Tuyết Sương v - Khóa luận tốt nghiệp DANH MỤC BẢNG BIỂU Bảng 2.1 Bảng thuộc tính liệu Car Evaluation 30 Tr ườ ng Đ ại họ cK in h tế H uế Bảng 3.1 Bảng kết thí nghiệm mơ hình 39 SV: Đỗ Thị Tuyết Sương vi - Khóa luận tốt nghiệp DANH MỤC THUẬT NGỮ STT Chữ viết tắt Tiếng Anh Tiếng Việt FT Functional Trees NB Naïve Bayes J48 Decision Trees Cây định K - NN K - Nearest Neighbors K - láng giềng gần KDD Knowledge Discovery in Khám phá tri thức Database sở liệu CSDL SVM Cây chức in h tế H Bayes uế Mơ hình phân lớp Naïve Cơ sở liệu Hỗ trợ máy vector Tr ườ ng Đ ại họ cK Support vector marchine SV: Đỗ Thị Tuyết Sương vii - Khóa luận tốt nghiệp PHẦN I: MỞ ĐẦU Lý chọn đề tài Trên thực tế, việc định giá xe phụ thuộc vào tác động nhiều yếu tố như: Chấp uế nhận mua, trì chế độ bảo hành, số cửa, lực người mua, kích thước phận khởi động, ước tính an tồn xe Chính tính chất quan trọng phức tạp tế H nên doanh nghiệp tiến hành định giá bắt buộc phải nghiên cứu kỹ lưỡng để lựa chọn mức giá phù hợp hiệu cho sản phẩm Chính vậy, việc định giá vừa coi khoa học vừa coi nghệ thuật Khoa học việc nghiên cứu đưa mức giá hợp lý để thu doanh h thu cao cho doanh nghiệp Nghệ thuật việc định giá cho phù hợp với in loại xe, loại thị trường, tâm lý người tiêu dùng thời điểm để đưa cK mức giá Trong năm gần đây, với phát triển mạnh mẽ công nghệ thông tin, với khối liệu tri thức lớn nhằm để giảm tải công việc cho người hiệu họ việc phân tích liệu nên khai phá liệu ngày phát triền Vì vậy, nghiên cứu em tiến hành xây dựng phân lớp định giá xe việc định Đ ại giá xe hiệu dễ dàng với dựa mô hình Functional Trees Mục tiêu nghiên cứu đề tài ng Mục tiêu khóa luận thu thập liệu đưa vào tiến hành huấn luyện kiểm thử liệu với phân lớp Weka, giảm tải công việc cho nhân hiệu ườ việc phân tích liệu việc định giá xe dựa mơ hình Functional Trees Tr Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu mơ hình phân lớp Functional Trees phân lớp định giá xe (Car Evaluation) Và cách xây dựng phân lớp định giá xe dựa mơ hình Functional Trees SV: Đỗ Thị Tuyết Sương - Khóa luận tốt nghiệp lớn gỗ đen N Tasmania tạo rác giàu N, tốc độ phân rã bị chậm lại hàm lượng lignin cao Các lồi khơng cố định N tạo rác bị phân hủy chậm hàm lượng lignin cao lượng N thấp, lồi rụng hay thường xanh Hàm lượng lignin ban đầu tỷ lệ lignin-N lứa lên có khả uế kiểm sốt tốc độ phân hủy yếu tố dự báo khả tương đối loài khác để đóng góp chất dinh dưỡng cho hệ thống đồng cỏ Những đặc tế H điểm chất lượng rác dường độc lập với loại chức Ảnh hưởng theo mùa số lượng chất lượng không quan trọng khác biệt hóa học q mức lồi Một hỗn hợp loại rác sử dụng để thao túng thời gian giải phóng chất dinh dưỡng để có lợi cho phát triển đồng cỏ Ảnh in h hưởng theo mùa số lượng chất lượng không quan trọng khác biệt hóa học q mức lồi Một hỗn hợp loại rác sử dụng cK để thao túng thời gian giải phóng chất dinh dưỡng để có lợi cho phát triển đồng cỏ Ảnh hưởng theo mùa số lượng chất lượng không quan trọng khác biệt hóa học q mức lồi Một hỗn hợp loại rác họ sử dụng để thao túng thời gian giải phóng chất dinh dưỡng để có lợi cho phát triển Tr ườ ng Đ ại đồng cỏ SV: Đỗ Thị Tuyết Sương 29 - Khóa luận tốt nghiệp CHƯƠNG 2: XÂY DỰNG MƠ HÌNH FUNCTIONAL TREES VỚI BỘ PHÂN LỚP ĐỊNH GIÁ XE 2.1 Chuẩn bị liệu Quá trình thu thập liệu cho đề tài nghiên cứu, tập liệu thô thu uế thập trang website Cơ sở liệu định giá xe lấy từ hệ thống phân cấp tế H đơn giản Người tạo M Bohanec Nhà tài trợ M Bohanec Blaz Zupan Mơ hình định phân cấp, từ liệu dẫn xuất, lần trình bày M Bohanec V Rajkovic: Tiếp thu kiến thức giải thích cho định đa thuộc tính Với thuộc tính tập liệu có 1728 số trường hợp Dưới h thuộc tính: Buying Maint Doors họ Tên thuộc tính cK STT in Bảng 2.1 Bảng thuộc tính liệu Car Evaluation Persons Lug – boot Đ ại Safety Mơ hình định giá xe tơ theo cấu trúc sau: Chấp nhận mua, trì chế độ bảo ng hành, số cửa, lực người mua, kích thước phận khởi động, ước tính an Tr ườ tồn xe Hình 2.1 Dữ liệu Car Evaluation UCI (Nguồn: https://archive.ics.uci.edu/ml/datasets/Car+Evaluation.) Nguồn: https://archive.ics.uci.edu/ml/datasets/Car+Evaluation SV: Đỗ Thị Tuyết Sương 30 - Khóa luận tốt nghiệp 2.2 Phương pháp xây dựng mơ hình Dựa vào phần mềm Weka để Xây dựng phân lớp Định giá xe dựa mơ hình Functional Trees uế Bước 1: Mở phần mềm Weka lên tải liệu phân lớp CarEvaluation vào nhớ Bước 2: Chia hold-out cho liệu để có tập CarEvaluation.train tập tế H CarEvaluation.set Bước 3: Chọn Classifier  Chọn Trees  Chọn FT  Bấm start để chạy kết huấn luyện h Bước 4: Thiết lập chế độ huấn luyện theo yêu cầu: Ta chọn 10-fold Cross validation in Bước 5: Kiểm thử lại mơ hình với test mà ta chuẩn bị sẵn xem chênh lệch cK tập train tập test 2.3 Các độ đo đánh giá hệ thống phân lớp FP Rate: tỉ lệ false positives (các trường hợp phân loại sai lớp họ định) Đ ại Precision Recall: Với toán phân loại mà tập liệu lớp chênh lệch nhiều, có phép đo hiệu thường sử dụng Precision-Recall Trước hết xét toán phân loại nhị phân Ta coi hai lớp positive, ng lớp lại negative Với cách xác định lớp positive, precision định nghĩa tỉ lệ số ườ điểm true positive số điểm phân loại positive (TP + FP) Recall định nghĩa tỉ lệ số điểm true positive số điểm thực Tr positive (TP + FN) SV: Đỗ Thị Tuyết Sương 31 - tế H uế Khóa luận tốt nghiệp h Hình 2.2 Hình thể cách tính Precision Recall in (Nguồn: https://machinelearningcoban.com/2017/08/31/evaluation/) Đ ại họ mẫu số khác nhau: cK Một cách toán học, Precison Recall hai phân số có tử số (12) (13) Trong đó: True Positive (TP): số lượng điểm lớp positive phân loại ng positive True Negative (TN): số lượng điểm lớp negative phân loại ườ negative Tr False Positive (FP): số lượng điểm lớp negative bị phân loại nhầm thành positive False Negative (FN): số lượng điểm lớp positiv bị phân loại nhầm thành negative SV: Đỗ Thị Tuyết Sương 32 - Khóa luận tốt nghiệp True positive rate (TPR), false negative rate (FNR), false positive rate (FPR), true negative rate (TNR): Bạn thấy precision recall số không âm nhỏ Precision cao đồng nghĩa với việc độ xác điểm tìm uế cao Recall cao đồng nghĩa với việc true positive rate cao, tức tỉ lệ bỏ sót điểm tế H thực positive thấp 2.4 Xây dựng mô hình Functional Trees Để xây dựng mơ hình Functional Trees sử dụng phần mềm Weka h Trước tiên dùng Explorer Weka để tải liệu xử lí in CarEvaluation.arff vào để chia hold-out cho liệu Sau đó, lựa chọn mơ hình phân lớp trees chọn Functional Trees Tiếp đến ta thiết lập chế độ huấn luyện cho Đ ại họ cK liệu kiểm thử tiến hành kiểm thử ng Hình 2.3 Giao diện thiết lập mơ hình Functional Trees 2.5 Phương pháp đánh giá mơ hình ườ Xây dựng mơ hình đánh giá ROC mơ hình phân lớp Knowledge Flow Weka Đối với phương pháp đánh giá mơ hình ROC tiến hành Tr phương pháp xây dựng đường ROC phân lớp xây dựng đường ROC nhiều phân lớp SV: Đỗ Thị Tuyết Sương 33 - Khóa luận tốt nghiệp 2.6 Xây dựng ROC nhiều phân lớp Knowledge Đầu tiên tạo Knowledge flow, tải liệu vào cách chọn DataSources, chọn liệu thuộc kiểu liệu CarEvaluation.arff, xác định chiều chọn làm nhãn lớp để phân loại ta sử dụng ClassAssigner uế Sau thiết lập xong bước tiến hành phân chia liệu để tế H huấn luyện cách sử dụng CrossValidationFoldMaker tiến hành đưa liệu huấn luyện vào mơ hình, bước chọn mơ hình phân lớp Functional Trees, J48, Naiver bayes k-NN (k=5) Tiếp đến lấy liệu từ bước để đánh giá cách dùng h ClassifierPerformanceEvaluator, với phân lớp tương ứng in ClassifierPerformanceEvaluator nơi lấy liệu đầu vào để đánh giá, sau ườ ng Đ ại họ cK đưa định vào cho ModelPerformanceChart Tr Hình 2.4 Xây dựng mơ hình đánh giá ROC nhiều phân lớp SV: Đỗ Thị Tuyết Sương 34 - Khóa luận tốt nghiệp CHƯƠNG 3: THÍ NGHIỆM VÀ KẾT QUẢ 3.1 Thiết lập thí nghiệm Bước 1: Đầu tiên, ta tải tập liệu Car Evaluation tiến hành đổi đuôi thành arff uế Bước 2: Mở phần mềm Weka  Tải tập liệu lên tế H Bước 3: Chọn Explorer  Chọn Open file  Chọn đến tập liệu CarEvaluaion.arff Bước 4: Vào mục Choose  Filters  Unsupervised  Instance  RemovePercentage  Chỉnh sửa tham số cần thiết  Chia tập liệu thành h CarEvaluation.train CarEvaluation.test sau lưu lại in Bước 5: Vào Open file để tải tập CarEvaluation.train ta vừa lưu lên  Chọn Classify cK  Lựa chọn Classifiers (các phân lớp sở) cần mơ hình phân lớp sở Na ve Bayes, K – NN (K=5), định (J48)  Bấm start để chạy kết huấn luyện CarEvaluation.test họ Bước 6: Chọn Supplised test set tiến hành Re-evalue… để chạy lại với tập Đ ại Bước 7: So sánh kết tập test mơ hình Functional Trees với kết phân lớp sở khác (Naïve Bayes, Cây định (J48), K – NN (IBk)) Kết thành cơng cao mơ hình in đậm kết lên ng Bước 8: Đưa kết luận chung nhận xét mơ hình phân lớp để có hướng phát ườ triển tốt cho việc lựa chọn mơ hình phân lớp cụ thể mơ hình phân lớp Tr chọn SV: Đỗ Thị Tuyết Sương 35 - Khóa luận tốt nghiệp h tế H uế 3.1.1 Xây dựng mơ hình phân lớp dựa phân lớp Functional Trees in Hình 3.1 Kết kiểm thử mơ hình phân lớp với phân lớp Functional Trees cK liệu CarEvalution.arff 3.1.2 Xây dựng mơ hình phân lớp dựa phân lớp Naïve Bayes họ Lựa chọn classifier phân lớp Naïve Bayes từ Bayes Tiến hành huấn luyện Tr ườ ng Đ ại mơ hình sau xem kết cuối để đưa đánh giá kết luận Hình 3.2 Kết kiểm thử mơ hình phân lớp với phân lớp Naïve bayes liệu CarEvalution.arff SV: Đỗ Thị Tuyết Sương 36 - Khóa luận tốt nghiệp 3.1.3 Xây dựng mơ hình phân lớp dựa phân lớp định(J48) Lựa chọn classifier phân lớp J48 từ Trees Tiến hành huấn luyện mô hình in h tế H uế sau xem kết cuối để đưa đánh giá kết luận cK Hình 3.3 Kết kiểm thử mơ hình phân lớp với phân lớp J48 liệu CarEvalution.arff họ 3.1.4 Xây dựng mơ hình phân lớp dựa phân lớp IBk (k – NN) Lựa chọn classifier phân lớp IBk từ Lazy Tiến hành huấn luyện mơ hình Tr ườ ng Đ ại sau xem kết cuối để đưa đánh giá kết luận Hình 3.4 Kết kiểm thử mơ hình phân lớp với phân lớp K – NN (k=5) liệu CarEvalution.arff SV: Đỗ Thị Tuyết Sương 37 - Khóa luận tốt nghiệp 3.2 Mơ hình đánh giá ROC Để xây dựng mơ hình đánh giá cần thiết lập thí nghiệm phần mềm Weka Knowledge Flow uế Bước 1: Tải liệu vào nhớ Bước 2: Xác định chiều nhãn lớp để phân loại tế H Bước 3: Tải tập testset vào nhớ Bước 4: Thiết lập phân lớp cho mơ hình Bước 5: Đánh giá liệu h Bước 6: Sử dụng Model PerformanceChart để chạy mơ hình đưa đồ thị kết in với phần mềm JfreeChart Tr ườ ng Đ ại họ cK Bước 7: Sử dụng ImageSaver để lưu đồ thị hành hình ảnh Hình 3.5 Mơ hình thiết lập hồn tất đánh giá liệu CarEvaluation.arff SV: Đỗ Thị Tuyết Sương 38 - Khóa luận tốt nghiệp cK in h tế H uế Bước 8: Chạy kiểm thử mơ hình để vẽ đường đánh giá ROC Hình 3.6 Kết đánh giá mơ hình đường ROC liệu họ CarEvaluation.arff 3.3 Kết thí nghiệm Đ ại Bảng 3.1 Bảng kết thí nghiệm mơ hình Correctly Incorrectly Classified Classified instances instances 84.97 % J48 Nạve Bayes ng Dữ liệu Mơ hình Tr ườ Functional Trees K-NN FP rate Precision Recall 15.03 % 0.050 0.992 0.837 77.17 % 22.83 % 0.000 1.000 0.742 68.21 % 31.79 % 0.000 1.000 0.641 77.46 % 22.54 % 0.000 1.000 0.745 SV: Đỗ Thị Tuyết Sương 39 - Khóa luận tốt nghiệp PHẦN III: KẾT LUẬN VÀ KIẾN NGHỊ Kết đạt Đề tài đạt mục tiêu đề ban đầu thu thập liệu, tiến hành huấn luyện uế kiểm thử liệu với mơ hình phân lớp Weka Xây dựng phân lớp Định giá xe dựa mơ hình Functional Trees tiếp cận với ngơn ngữ Java tế H Qua kết thí nghiệm, cho thấy mơ hình phân lớp Functional Trees có kết (84.97%) cao kết tất mơ hình như: J48 (77.17%), Nạve Bayes (68.21%), k-NN (77.46%) tập liệu CarEvaluation.arff Từ phân tích tính h khả thi việc sử dụng mơ hình phân lớp Functional Trees việc định giá xe in Hạn chế đề tài cK Trong trình thực đề tài thời gian kiến thức thân có hạn nên đề tài chưa hồn thiện hết tính khai thác hết lĩnh vực khai phá liệu Một số công cụ tốt sử dụng lập trình khai phá liệu, họ cho kết đạt cao Vẫn chưa mở rộng lĩnh vực nghiên cứu tìm hiểu sâu phương pháp kết hợp khác khai phá liệu Đ ại Hướng phát triển đề tài Hướng nghiên cứu: Tiếp tục tìm hiểu thêm cách sử dụng cách thức lập trình để chuyển đổi liệu, xây dựng mơ hình kiểm thử mơ hình đánh giá để áp dụng Tr ườ ng vào lĩnh vực thực tế SV: Đỗ Thị Tuyết Sương 40 - Khóa luận tốt nghiệp DANH MỤC TÀI LIỆU THAM KHẢO Nguyễn Hà Nam, Nguyễn Trí Thành, Hà Quang Huy (2016), Giáo trình khai phá liệu, uế Gama J (2004) Functional Trees Mach Learn, 55(3), 219–250 Häubl G (1996) A cross‐national investigation of the effects of country of origin tế H and brand name on the evaluation of a new car International Marketing Review, 13(5), 76–97 Mohammed M.A (2015) Design and Implementing an Efficient Expert Assistance h System for Car Evaluation via Fuzzy Logic Controller 4(3), 10 in Pham B.T., Tien Bui D., Pourghasemi H.R cộng (2017) Landslide susceptibility assesssment in the Uttarakhand area (India) using GIS: a comparison cK study of prediction capability of naïve bayes, multilayer perceptron neural networks, and functional trees methods Theoretical and Applied Climatology, họ 128(1–2), 255–273 Morozov A.S (1993) Functional trees and automorphisms of models Algebra and Đ ại Logic, 32(1), 28–38 Khakham P., Chumuang N., Ketcham M (2015) Isan Dhamma Handwritten Characters Recognition System by Using Functional Trees Classifier (:unav) ng Rodríguez J.J., García-Osorio C., Maudes J cộng (2010) An Experimental Study on Ensembles of Functional Trees Multiple Classifier Systems, Springer ườ Berlin Heidelberg, 64–73 Pham B.T., Nguyen V.-T., Ngo V.-L cộng (2018) A Novel Hybrid Model of Tr Rotation Forest Based Functional Trees for Landslide Susceptibility Mapping: A Case Study at Kon Tum Province, Vietnam Advances and Applications in Geospatial Technology and Earth Resources Springer International Publishing, Cham, 186–201 SV: Đỗ Thị Tuyết Sương 41 - Khóa luận tốt nghiệp 10 Makki S., Mustapha A., Kassim J.M cộng (2011) Employing Neural Network and Naive Bayesian Classifier in Mining Data for Car Evaluation 11 Hosseinalizadeh M., Kariminejad N., Chen W cộng (2019) Gully headcut susceptibility modeling using functional trees, naïve Bayes tree, and random forest uế models Geoderma, 342, 1–11 tế H 12 CHU T.-C TSAO C.-T (2002) A NOVEL DEFUZZIFYING APPROACH TO CAR EVALUATION AND SELECTION UNDER FUZZY ENVIRONMENT International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(03), 309–326 h 13 Lauretto M., Nakano F., Pereira C.A.B cộng (2008) Hierarchical in Forecasting with Functional Trees AIP Conference Proceedings, Boraceia, Sao cK Paulo (Brazil), AIP, 317–324 14 Clerkin J., Gethers M., Mesmer B (2019) Similarities and Differences Between Goal Function Trees and Value Modeling AIAA Scitech 2019 Forum, San Diego, họ California, American Institute of Aeronautics and Astronautics 15 Tien Bui D., Ho T.-C., Pradhan B cộng (2016) GIS-based modeling of Đ ại rainfall-induced landslides using data mining-based functional trees classifier with AdaBoost, Bagging, and MultiBoost ensemble frameworks Environmental Earth Sciences, 75(14) ng 16 Jiao Y., Chen R., Ke X cộng (2010) Predictive models of autism spectrum ườ disorder based on brain regional cortical thickness NeuroImage, 50(2), 589–599 17 Joshuva A Sugumaran V (2017) A data driven approach for condition Tr monitoring of wind turbine blade using vibration signals through best-first tree algorithm and functional trees algorithm: A comparative study ISA Transactions, 67, 160–172 18 Cascini G Zini M (2008) Measuring patent similarity by comparing inventions functional trees Computer-Aided Innovation (CAI), Springer US, 31–42 SV: Đỗ Thị Tuyết Sương 42 - Khóa luận tốt nghiệp 19 Chen G., Li X., Chen J cộng (2014) Comparative study of biodegradability prediction of chemicals using decision trees, functional trees, and logistic regression: In silico models for predicting chemical biodegradability Environmental Toxicology and Chemistry, 33(12), 2688–2693 uế 20 Awwalu J., Ghazvini A., Abu Bakar A (2014) Performance Comparison of Data Mining Algorithms: A Case Study on Car Evaluation Dataset International tế H Journal of Computer Trends and Technology, 13(2), 78–82 21 Wedderburn M.E Carter J (1999) Litter decomposition by four functional tree types for use in silvopastoral systems Soil Biology and Biochemistry, 31(3), 455– Tr ườ ng Đ ại họ cK in h 461 SV: Đỗ Thị Tuyết Sương 43