Bài viết giới thiệu một kỹ thuật học máy có giám sát để xây dựng một cây quyết định cho hệ thống tuyển sinh của Trường đại học Hải Phòng. Mục tiêu chính là nhằm xây dựng được một mô hình phân loại hiệu quả với khả năng hạn chế lỗi cao và mức chính xác tương đối để cải thiện hiệu suất và hiệu quả của quá trình tuyển sinh.
HEN “Bị từ chối” (98.9%) IF Khuvực ≠ ”1007” AND HS_Grade = ”Giỏi” AND Giới tính = ’’Nam” AND Khuvực ≠ ”1001 ” THEN “Bị từ chối” (51.1%) IF Khuvực# ”1007” AND HS Grade ≠ ”Giỏi” AND HS Grade = ”Khá” THEN “Bị từ chối” (90.5%) IF Khuvực= ” 1007” AND HS Grade ≠ “Giỏi”AND HS Grade ≠ ”Khá” THEN “Bị từ chối” (87.0%) IF Khuvực= ” 1007” AND HS_Grade ≠ “Giỏi” AND HS_Grade = ”Khá” THEN “Bị từ chối” (63.9%) 80 TRƯỜNG ĐẠI HỌC HẢI PHÒNG Như thể bảng 6, quy tắc lại có tỷ lệ phần trăm số trường hợp dự đoán quy tắc theo lớp Ta nhận thấy có hai quy tắc dẫn đến trạng thái “Được chấp nhận” Trường hợp thứ mã vùng thí sinh “1007” (tức khu vực thành phố “Hải Phòng”) điểm trung học thí sinh “Giỏi” Trường hợp thứ hai sinh viên “Nam” từ vùng có mã “1001” (tức khu vực lân cận thành phố “Hải Phòng”) có điểm “Giỏi” trung học Sau sử dụng thuật tốn định lời khun dành cho phân tuyển sinh trường Đại học Hải Phòng nên tập trung vào ứng viên có hộ gần Hải Phòng huyện vùng ven thành phố Hải Phòng thay ứng viên tỉnh xa Đó thí sinh có xu hướng gắn bó với trường lâu thí sinh xa nhà chi phí xa nhà cao đặc tính địa phương trường Lưu ý hướng tới phận tuyển sinh trường điều kiện tuyển sinh nên Khu vực thay Điểm thí sinh học bậc phổ thông V KẾT LUẬN Trong viết này, trình bày mơ hình phân loại hiệu cách sử dụng định cho phòng tuyển sinh trường đại học Kết thực nghiệm cho thấy công cụ lọc cải thiện hiệu suất hiệu trình tuyển sinh Quá trình phân loại đạt cách sử dụng định với khả hạn chế lỗi cao mức xác tương đối Chúng tơi thiết lập quy tắc cách sử dụng cấu trúc định quy tắc giúp cho việc lựa chọn thí sinh dễ dàng TÀI LIỆU THAM KHẢO J.Choand P.U.Kurup(2011), “Decision tree approach for classfication and dimensionality reduction of electronic nose data” , Sensor & Actuators B Chemical, vol 160(1),542-548 J.Han and M.Kamber,(2000),”Data mining: concepts and techniques”, San Francisco, Morgan-Kaufrna H.S.OH and W.S.SEO,(2012),”Development of a Decision Tree Analysis model that predicts recovery from acute brain injury”, Japan Journal of Nursing Science, doi:10.1111/j 17427924-2012.00215.x K Kira and L.A Rendeil, (1992),”A practical approach to feature selection”, In D Sleeman and P.Edwards, edito, proceedings of international conference on Machine learning, pp 249-256, Morgan Kaufmann T Michel, (1997), “Machine Learning”, USA, Mc Graw Hill J.R.Quinlan, (1986),” Introduction of Decision tree”, Machine Learning vol 1, pp 86-106 S.Sohn and J.Kim, (2012), “Decision tree – based technology credit scoring for start up firms, Korean case”, Expert System with Applications vol 39(4), 4007-4012, doi 10.1016/j eswa 2011.09.075 G.Zhou and L.Wang,(2002),“Co-location decision tree for enhancing decision-making of pavement maintenance and rehabilitation”, Transportation research part C,21(1),287-305 doi: 10.1016/j trc.2011.10.007 Orange Data mining tool: http://orange biolab.si TẠP CHÍ KHOA HỌC, SỐ 33, THÁNG 3/2019 81 ... loại hiệu cách sử dụng định cho phòng tuyển sinh trường đại học Kết thực nghiệm cho thấy công cụ lọc cải thiện hiệu suất hiệu trình tuyển sinh Quá trình phân loại đạt cách sử dụng định với khả... phương trường Lưu ý hướng tới phận tuyển sinh trường điều kiện tuyển sinh nên Khu vực thay Điểm thí sinh học bậc phổ thông V KẾT LUẬN Trong viết này, chúng tơi trình bày mơ hình phân loại hiệu... thí sinh “Giỏi” Trường hợp thứ hai sinh viên “Nam” từ vùng có mã “1001” (tức khu vực lân cận thành phố “Hải Phòng”) có điểm “Giỏi” trung học Sau sử dụng thuật tốn định lời khuyên dành cho phân tuyển