(Tiểu luận) đề tài bài toán phân loại hoa irisdựa vào thuật toán cây quyết định

Một trong những thuật toán thường dùng trong ML đó là thuật toán Cây quyết định Decision TreeỨng dụng của thuật toán này thường được sử dụng trong nghiên cứu hoạt động , đặc biệt là tron

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC THƯƠNG MẠI KHOA HỆ THỐNG THÔNG TIN KINH TẾ VÀ THƯƠNG MẠI ĐIỆN TỬ



BÁO CÁO THẢO LUẬN HỌC PHẦN: LẬP TRÌNH VỚI PYTHON

ĐỀ TÀI:

BÀI TOÁN PHÂN LOẠI HOA IRIS

DỰA VÀO THUẬT TOÁN CÂY QUYẾT ĐỊNH

Giảng viên hướng dẫn: ThS Đỗ Thị Thanh Tâm

Nhóm thực hiện: Nhóm 5 Lớp học phần: 231_INFO4511_01

Hà Nội, ngày 28 tháng 11 năm 2023

STT Họ và tên MSV Nhiệm vụ Đánh giá Điểm

1 Nguyễn Thị Nhung Huyền

(Nhóm trưởng) 23D190020

Lý thuyếtcây quyếtdịnhViết code,

mô tả bàitoán

Hoàn thành tốtnhiệm vụ

Tích cực tham giaxây dựng bài thảoluận

2 Triệu Phúc Hương 23D190021

Lý thuyếtMachineLearning

và thuyếttrình

Hoàn thành tốtnhiệm vụ

Tích cực tham giaxây dựng bài thảoluận

3 Nguyễn Trung Kiên 23D190022

Mô tả dữliệu Iris vàthuyếttrình

Hoàn thành tốtnhiệm vụ

Tích cực tham giaxây dựng bài thảoluận

Làm filebáo cáoword

Hoàn thành tốtnhiệm vụ

Tích cực tham giaxây dựng bài thảoluận

powerpoint

Hoàn thành tốtnhiệm vụ

Tích cực tham giaxây dựng bài thảoluận

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập-Tự do-Hạnh phúc

Hà Nội, ngày 18 tháng 11 năm 2023

BIÊN BẢN HỌP NHÓM (LẦN 1)

I THỜI GIAN-ĐỊA ĐIỂM

1 Thời gian: 21h, ngày 18/11/2023

2 Địa điểm: Cuộc họp online trên Google Meet

II THÀNH PHẦN THAM DỰ (5/5)

Nguyễn Thị Nhung Huyền (Nhóm trưởng), Triệu Phúc Hương, Nguyễn Trung Kiên, Lê Thị Lan, Đinh Thị Mai Linh

III NỘI DUNG CUỘC HỌP

1 Nhóm trưởng đề xuất phương án phân chia công việc theo nguyện vọng, các thành viên đều tán thành

2 Các ý kiến được thống nhất theo yêu cầu của đề bài thảo luận, chốt được nhiệm vụ cụ thể của từng thành viên

3 Cả nhóm thảo luận về những vấn đề trong từng câu hỏi mà mỗi thành viênphụ trách

4 Nhóm trưởng thống nhất thời gian làm bài và đặt hạn làm bài lần 1

IV KẾT LUẬN CUỘC HỌP

1 Các thành viên tham gia đầy đủ và tích cực thảo luận bàn bạc vấn đề đượcgiao

2 Cuộc họp diễn ra suôn sẻ và kết thúc vào 23 giờ ngày 18 tháng 11 năm 2023

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập-Tự do-Hạnh phúc

Hà Nội, ngày 30 tháng 11 năm 2023

BIÊN BẢN HỌP NHÓM (LẦN 2)

I THỜI GIAN-ĐỊA ĐIỂM

1 Thời gian: 14h30, ngày 30/11/2023

2 Địa điểm: Thư viện tòa P trường Đại học Thương Mại

II THÀNH PHẦN THAM DỰ (5/5)

Nguyễn Thị Nhung Huyền (Nhóm trưởng), Triệu Phúc Hương, Nguyễn Trung Kiên, Lê Thị Lan, Đinh Thị Mai Linh

III NỘI DUNG CUỘC HỌP

1 Nhóm trưởng chỉ ra những thiếu sót của bài thảo luận, đưa ra hướng giải quyết vấn đề

2 Các thành viên cho ý kiến và tiến hành hoàn thiện bài thảo luận

3 Thuyết trình thử và chuẩn bị quay video thuyết trình chính thức

IV KẾT LUẬN CUỘC HỌP

1 Các thành viên tham gia đầy đủ, tích cực đóng góp ý kiến cho bài thảo luận nhóm

2 Cuộc họp diễn ra suôn sẻ và kết thúc vào 23h30 ngày 30 tháng 11 năm 2023

MỤC LỤC

MỞ ĐẦU 6

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT 9

1.1 Machine Learning 9

1.1.1 Định nghĩa 9

1.1.2 Một số phương thức của Machine Learning 9

1.2 Bài toán phân lớp dữ liệu 11

CHƯƠNG 2 THUẬT TOÁN CÂY QUYẾT ĐỊNH 13

2.1 Giới thiệu chung 13

2.2 Khái niệm cây quyết định 13

2.3 Các kiểu cây quyết định 14

2.4 Ví dụ kinh điển 14

2.5 Các tiêu chí phân tách 17

Gini impurity 17

Entropy 17

2.6 Các bước dựng cây 18

2.7 Một số thuật toán dựng cây 18

2.8 Ưu, nhược điểm của thuật toán 18

CHƯƠNG 3: BỘ DỮ LIỆU IRIS VÀ MÔ TẢ BÀI TOÁN 20

3.1 Bộ dữ liệu Iris flower dataset 20

3.1.1 Giới thiệu 20

3.1.2 Sử dụng tập dữ liệu 21

3.1.3 Tập dữ liệu 22

3.2 Mô tả bài toán 30

KẾT LUẬN 38

TÀI LIỆU THAM KHẢO 39

MỞ ĐẦU

1 Đặt vấn đề

Những năm gần đây, AI nổi lên như một bằng chứng của cuộc cách mạng công nghiệp lần thứ tư Trí tuệ nhân tạo có thể được định nghĩa như một nghành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh Trí tuệ nhân tạo là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này Ở thời điểm hiện tại, thuật ngữ này thường dùng để nói đến các máy tính có mục đích không nhất định và ngành khoa học nghiên cứu về các lý thuyết và các ứng dụng của trí tuệ nhân tạo

Theo đà phát triển của công nghệ, ứng dụng trí tuệ nhân tạo luôn là xu hướng công nghệ tương lai mà các hãng công nghệ trên toàn thế giới đua nhau sáng tạo, nó là nền tảng cốt lõi của cuốc cách mạng công nghệ 4.0

ML (Machine Learning) là một lĩnh vực của trí tuệ nhân tạo, được sinh ra

từ khả năng nhận diện mẫu và từ lý thuyết các máy tính có thể học mà không cần phải lập trình để xử lý các nhiệm vụ cụ thể nào đó

Hầu hết mọi nghành công nghiệp đang làm việc với hàm lượng lớn dữ liệu đều nhận ra tầm quan trọng của công nghệ ML Những cái nhìn sáng suốt từ nguồn dữ liệu này – chủ yếu dạng thời gian thực – sẽ giúp các tổ chức vận hành hiệu quả hơn hoặc tạo lợi thế cạnh tranh so với các đối thủ

Các ứng dụng của ML đã quá quen thuộc với con người: xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trên Facebook, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix…, chỉ là một vài trong vô vàn những ứng dụng của trí tuệ nhân tạo và cụ thể là ML

cơ sở lập

3

Hình 1 Mối quan hệ giữa AI.Machine Learning và Deep Learning

Xu hướng phát triển công nghệ thông tin ngày càng tăng, song song với nó lượng dữ liệu được sinh ra cũng ngày một lớn Vì vậy nhu cầu để xử lý dữ liệu cũng lớn hơn, ML đang góp phần giải quyết vấn đề này Một trong những thuật

toán thường dùng trong ML đó là thuật toán Cây quyết định (Decision Tree)

Ứng dụng của thuật toán này thường được sử dụng trong nghiên cứu hoạt động , đặc biệt là trong phân tích quyết định , để giúp xác định chiến lược có nhiều khả năng đạt được mục tiêu nhất

2 Mục đích nghiên cứu

 Nghiên cứu, tìm hiểu lý thuyết thuật toán Cây quyết định (Decision Tree)

 Đánh giá thuật toán

3 Phạm vi và đối tượng nghiên cứu

 Phạm vi nghiên cứu: Thử nghiệm trên Iris flower dataset

 Đối tượng nghiên cứu: Thuật toán Cây quyết định và bộ Iris flower dataset

Bài tập Cơ sở lập trình

cơ sở lập

6

4 Nội dung thực hiện

 Tìm hiểu thuật toán Cây quyết định (Decision Tree)

 Tìm hiểu bộ dữ liệu Iris

 Sử dụng bộ dữ liệu và đánh giá

5 Cấu trúc bài báo cáo

 Mở đầu

 Chương 1: Cơ sở lý thuyết

 Chương 2: Thuật toán Cây quyết định (Decision Tree)

 Chương 3: Bộ dữ liệu Iris và Mô tả bài toán

 Chương 4: Kết luận

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT 1.1 Machine Learning

1.1.1 Định nghĩa

 Là một lĩnh vực của trí tuệ nhân tạo liên qua đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống học tự động từ dữ liệu để giải quyết cácvấn đề cụ thể Ví dụ các máy có thể học cách phân loại thư điện tử có phải thư rác hay không và tự động sắp xếp vào các thư mục tương ứng

 Machine Learning có liên quan đến thống kê vì cả hai lĩnh vực đều nghiêncứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán

 Machine Learning có hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, máy phân tích thị trường chứng khoán, nhận dạng tiếng nói và chữ viết…

1.1.2 Một số phương thức của Machine Learning

 Học có giám sát: Thuật toán dự đoán đầu ra của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn) Supervised learning là nhóm phổ biến nhất trong các thuật toán Machine Learning

- Học có giám sát được chia thành hai loại chính:

+ Classification (phân lớp): Là quá trình phân lớp một đối tượng dữ liệu vào một hay nhiều lớp đã cho trước nhờ một mô hình phân lớp (model) Mô hình này được xây dựng dựa trên một tập dữ liệu được xây dựng trước đó có gánnhãn (hay còn gọi là tập huấn luyện) Quá trình phân lớp là quá trình gán nhãn cho đối tượng dữ liệu

+ Regression (hồi quy): Nếu không được chia thành các nhóm mà là một giá trị thực cụ thể Đầu ra của một điểm dữ liệu sẽ bằng chính đầu ra của điểm

dữ liệu đã biết

 Học không giám sát: là một kĩ thuật của máy học nhằm tìm ra một mô hình hay cấu trúc bị ẩn bơi tập dữ liệu không được gán nhãn cho trước UL khácvới SL là không thể xác định trước output từ tập dữ liệu huấn luyện được Tùy thuộc vào tập huấn luyện kết quả output sẽ khác nhau Trái ngược với SL, tập dữliệu huấn luyện của UL không do con người gán nhãn, máy tính sẽ phải tự học hoàn toàn Có thể nói, học không giám sát thì giá trị đầu ra sẽ phụ thuộc vào thuật toán UL Ứng dụng lớn phổ biến của học không giám sát là bài toán phân cụm

 Học bán giám sát: Các bài toán khi có một số lượng lớn dữ liệu nhưng chỉ một phần trong chúng được dán nhãn Những bài toán này nằm giữa phương thưc học giám sát và học không giám sát.

1.2 Bài toán phân lớp dữ liệu

Quá trình phân lớp dữ liệu

Để xây dựng được mô hình phân lớp và đánh giá hiệu quả của mô hình cần phải thực hiện quá trình sau đây:

Bước 1: Chuẩn bị tập dữ liệu huấn luyện và rút trích đặc trưng Công đoạn này được xem là công đoạn quan trọng trong các bài toán về ML vì đây là inputcho việc học đẻ tìm ra mô hình của bài toán Chúng ta phải biết cần chọn ra những đặc trưng tốt của dữ liệu, lược bỏ những đặc trưng không tốt của dữ liệu, gây nhiễu Ước lượng số chiều của dữ liệu bao nhiêu là tốt hay nói cách khác là chọn bao nhiêu feature Nếu số nhiều quá lớn gây khó khăn cho việc tính 12 toán thì phải giảm số chiều của dữ liệu nhưng vẫn giữ được độ chính xác của dữ liệu

Ở bước này chúng ta cũng chuẩn bị bộ dữ liệu để test trên mô hình Thông thường sẽ sử dụng crossvalidation (kiểm tra chéo) để chia tập dataset thành hai phàn, một phần phục vụ cho training và phần còn lại phục vụ cho mục đích testing trên mô hình Có hai cách thường sử dụng trong crossvalidation là splitting và kfold

Bước 2: Xây dựng mô hình phân lớp Mục đích của mô hình huấn luyện là tìm ra hàm F(x) và thông qua hàm f tìm được để chúng ta gán nhãn cho dữ liệu Bước này thường được gọi là học hay training

F(x)= yTrong đó: x là các feature hay input đầu vào của dữ liệu

y là nhãn dán lớp hay output đầu ra

Thông thường để xây dựng mô hình phân lớp cho bài toán này chúng ta sử dụng các thuật toán học giám sát như KNN, NN, SVM, Decision tree, Navie Bayers

Bước 3: Kiểm tra dữ liệu với mô hình Sau khi tìm được mô hình phân lớp

ở bước hai, thì bước này chúng ta sẽ đưa vào các dữ liệu mới đẻ kiểm tra trên

mô hình phân lớp

Bước 4: Đánh giá mô hình phân lớp và chọn ra mô hình tốt nhất Bước cuối cùng chúng ta sẽ đánh giá mô hình bằng cách đánh giá mức độ lỗi của dữ liệu testing và dữ liệu training thông qua mô hình tìm được Nếu không đạt được kết quả mong muốn của chúng ta thì phải thay đổi các tham số của thuật toán học để tìm ra các mô hình tốt hơn và kiểm tra, đánh giá lại mô hình phân lớp và cuối cùng chọn ra mô hình phân lớp tốt nhất cho bài toán của chúng ta

CHƯƠNG 2 THUẬT TOÁN CÂY QUYẾT ĐỊNH

(DECISION TREE) 2.1 Giới thiệu chung

 Bạn có biết rằng trong cuộc sống hàng ngày, bạn vẫn đang sử dụng phương pháp Decision Tree (Cây quyết định) Chẳng hạn, bạn đến siêu thị mua sữa cho cả gia đình Câu đầu tiên trong đầu bạn sẽ là: Bạn cần mua bao nhiêu sữa?

 Bạn sẽ xác định: Nếu là ngày thường thì gia đình bạn sẽ sử dụng hết 1 lítsữa, còn cuối tuần thì sẽ là 1,5 lít Như vậy, dựa theo ngày, bạn sẽ quyết định lượng thực phẩm cần mua cho gia đình bạn

 Đó chính là một dạng của cây quyết định nhị phân

 Trong lý thuyết quyết định (chẳng hạn quản lý rủi ro), một cây quyết định (tiếng Anh: decision tree) là một đồ thị của các quyết định và các hậu quả

có thể của nó (bao gồm rủi ro và hao phí tài nguyên) Cây quyết định được sử dụng để xây dựng một kế hoạch nhằm đạt được mục tiêu mong muốn Các cây quyết định được dùng để hỗ trợ quá trình ra quyết định Cây quyết định là một dạng đặc biệt của cấu trúc cây

2.2 Khái niệm cây quyết định

 Cây quyết định (Decision Tree) là một cây phân cấp có cấu trúc được dùng để phân lớp các đối tượng dựa vào dãy các luật Các thuộc tính của đối tượngncó thể thuộc các kiểu dữ liệu khác nhau như Nhị phân (Binary) , Định danh (Nominal), Thứ tự (Ordinal), Số lượng (Quantitative) trong khi đó thuộc tính phân lớp phải có kiểu dữ liệu là Binary hoặc Ordinal

 Tóm lại, cho dữ liệu về các đối tượng gồm các thuộc tính cùng với lớp (classes) của nó, cây quyết định sẽ sinh ra các luật để dự đoán lớp của các dữ liệu chưa biết

 Học bằng cây quyết định cũng là một phương pháp thông dụng trong khai phá dữ liệu Khi đó, cây quyết định mô tả một cấu trúc cây, trong đó, các lá đại diện cho các phân loại còn cành đại diện cho các kết hợp của các

thuộc tính dẫn tới phân loại đó Một cây quyết định có thể được học bằng cách chia tập hợp nguồn thành các tập con dựa theo một kiểm tra giá trị thuộc tính Quá trình này được lặp lại một cách đệ quy cho mỗi tập con dẫn xuất Quá trình đệ quy hoàn thành khi không thể tiếp tục thực hiện việc chia tách được nữa, hay khi một phân loại đơn có thể áp dụng cho từng phần tử của tập con dẫn xuất Một bộ phân loại rừng ngẫu nhiên (random forest) sử dụng một số cây quyết định để có thể cải thiện tỉ lệ phân loại.

 Cây quyết định cũng là một phương tiện có tính mô tả dành cho việc tínhtoán các xác suất có điều kiện

 Cây quyết định có thể được mô tả như là sự kết hợp của các kỹ thuật toán học và tính toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập

dữ liệu cho trước

 Dữ liệu được cho dưới dạng các bản ghi có dạng:

(x, y) = (x1, x2, x3 , xk, y)

Biến phụ thuộc (dependant variable) y là biến mà chúng ta cần tìm hiểu, phân loại hay tổng quát hóa x1, x2, x3 là các biến sẽ giúp ta thực hiện công việc đó

 Bản chất của cây quyết định là SỰ LỰA CHỌN

2.3 Các kiểu cây quyết định

 Cây hồi quy (Regression tree) ước lượng các hàm giá có giá trị là số thực thay vì được sử dụng cho các nhiệm vụ phân loại (ví dụ: ước tính giá một ngôi nhà hoặc khoảng thời gian một bệnh nhân nằm viện)

 Cây phân loại (Classification tree), nếu y là một biến phân loại như: giới tính (nam hay nữ), kết quả của một trận đấu (thắng hay thua)

Hình 2.4.1 Mô hình cây quyết định

 Dựa theo mô hình trên, ta thấy: Nếu trời nắng, độ ẩm bình thường thì khả năng các bạn nam đi chơi bóng sẽ cao Còn nếu trời nắng, độ ẩm cao thì khảnăng các bạn nam sẽ không đi chơi bóng

Ví dụ 2:

 Một người nghĩ đến việc mở một cửa hàng bán lẻ (mà thành công của nóphụ thuộc vào chi tiêu của người tiêu dùng và bởi vậy phụ thuộc vào thực trạngcủa nền kinh tế) sẽ có cây quyết định như hình dưới đây:

 Để ra quyết định, người bán lẻ cần một tiêu chuẩn ra quyết định chophép anh ta lựa chọn phương án hành động tốt nhất trong các phương án có thể

có Vì sự lựa chọn này gắn với yếu tố rủi ro, nên chúng ta cần biết thái độ củangười bán lẻ đối với rủi ro

 Nếu người bán lẻ không chú ý đến rủi ro, chúng ta có thể tính toán tínhxác định tương đương với hành vi "mở cửa hàng" bằng cách căn cứ vào hậu quảtài chính của mỗi kết cục và gia quyền nó theo xác suất xuất hiện của nó Ví dụ:

Hình 2.4.3 Ví dụ bài toán

 Kết cục này chắc chắn lớn hơn 0 trong trường hợp không mở cửa hàng

và nó biện minh cho việc tiếp tục thực hiện dự án này

 Song nếu người bán lẻ là người ghét rủi ro, tiêu chuẩn giá trị bằng tiền

có thể không phải là tiêu chuẩn thích hợp, vì anh ta cần nhận được phần thưởngcho sự rủi ro để chấp nhận hành động Việc tận dụng tiêu chuẩn cẩn thận hơntiêu chuẩn tương đương với tính xác định sẽ làm giảm tiêu chuẩn tương đươngvới tính xác định của nhánh "mở cửa hàng" và điều này cũng dẫn đến quyết địnhtiếp tục mở cửa hàng

2.5 Các tiêu chí phân tách

Gini impurity

Dùng trong thuật toán CART (Classification and Regression Trees) Nó dựa vào việc bình phương các xác suất thành viên cho mỗi thể loại đích trong nút Giá trị của nó tiến đến cực tiểu (bằng 0) khi mọi trường hợp trong nút rơi vào một thể loại đích duy nhất

Giả sử nhận các giá trị trong {1, 2, , } và gọi y m f(i,j) là tần suất của giá trị trong nút Nghĩa là j i f(i,j) là tỷ lệ các bản ghi với y=j được xếp vào nhóm i

Dùng trong các thuật toán sinh cây ID3 C4.5, và C5.0 Số đo này dựa trên khái niệm entropy trong lý thuyết thông tin (information theory)

2.6 Các bước dựng cây

Bước 1 Phân vùng đệ quy dữ liệu thành nhiều tập con

Bước 2 Tại mỗi nút, xác định biến và quy tắc liên kết với biến để phân

tách tốt nhất

Bước 3 Áp dụng phép tách tại nút đó bằng cách sử dụng biến tốt nhất bằng

cách sử dụng quy tắc được xác định cho biến

Bước 4 Lặp lại bước 2 và bước 3 trên các nút con.

Bước 5 Lặp lại quá trình này cho đến khi chúng ta đạt được điều kiệndừng

Bước 6 Gán các quyết định tại các nút lá dựa trên nhãn lớp đa số có mặt

tại nút đó nếu thực hiện nhiệm vụ phân loại hoặc xem xét giá trị trung bình củacác giá trị biến mục tiêu có tại nút lá đó nếu thực hiện nhiệm vụ hồi quy

2.7 Một số thuật toán dựng cây

Tồn tại các thuật toán tạo cây khác nhau như CART, CHAID, ID3, C4.5,C5.0, v.v Trong mỗi thuật toán xây dựng, các tiêu chí được xem xét để chọntính năng tốt nhất cung cấp phân tách tốt nhất có thể khác nhau như thuật toánCART sử dụng thước đo tạp chất Gini Index để xác định tính năng tốt nhất cungcấp độ phân tách tốt nhất Tương tự như vậy, ID3 sử dụng Tăng thông tin, C4.5cũng sử dụng Tỷ lệ tăng tương tự cho các thuật toán khác Nhưng thuật toán xâydựng cây tổng thể vẫn giống như đã đề cập ở trên

2.8 Ưu, nhược điểm của thuật toán

 Có thể làm việc với cả dữ liệu số và dữ liệu phân loại

 Có thể xác thực mô hình bằng cách sử dụng các kiểm tra thống kê

 Có khả năng là việc với dữ liệu lớn

Nhược điểm:

 Kèm với đó, cây quyết định cũng có những nhược điểm cụ thể:

 Mô hình cây quyết định phụ thuộc rất lớn vào dữ liệu của bạn Thạm chí,với một sự thay đổi nhỏ trong bộ dữ liệu, cấu trúc mô hình cây quyết định có thểthay đổi hoàn toàn

 Cây quyết định hay gặp vấn đề overfitting

CHƯƠNG 3: BỘ DỮ LIỆU IRIS VÀ MÔ TẢ BÀI TOÁN

3.1 Bộ dữ liệu Iris flower dataset

3.1.1 Giới thiệu

Tập dữ liệu hoa Iris hoặc tập dữ liệu Iris của Fisher là tập dữ liệu đa biếnđược giới thiệu bởi nhà thống kê và nhà sinh vật học người Anh Ronald Fishertrong bài báo năm 1936 Việc sử dụng nhiều phép đo trong các vấn đề phân loạinhư một ví dụ về phân tích phân biệt tuyến tính Đôi khi nó được gọi là tập dữliệu Iris của Anderson vì Edgar Anderson đã thu thập dữ liệu để định lượng sựbiến đổi hình thái của hoa Iris của ba loài liên quan Hai trong số ba loài đượcthu thập ở Bán đảo Gaspé "tất cả từ cùng một đồng cỏ, và được chọn vào cùngmột ngày và được đo cùng lúc bởi cùng một người với cùng một bộ máy"

Bộ dữ liệu bao gồm 50 mẫu từ mỗi ba loài Iris (Iris setosa, Iris virginica vàIris Verscolor) Bốn đặc điểm được đo từ mỗi mẫu: chiều dài và chiều rộng củađài hoa, chiều dài và chiều rộng cánh hoa, tính bằng centimet Dựa trên sự kếthợp của bốn tính năng này, Fisher đã phát triển một mô hình phân biệt tuyếntính để phân biệt các loài với nhau

Iris setosa Iris versicolor Iris virginica

Hình 3.1.1 Hình ảnh minh họa về Iris flower dataset