Chương này đĩ trỡnh bày tổng quan về quy trỡnh chọn đăng bài viết trờn tạp chớ; giới thiệu cụng cụ Weka và sử dụng cụng cụ này vào phõn lớp dự đoỏn dữ liệu dựa vào kỹ thuật SVM; thực nghiệm và đỏnh giỏ kết quả.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
1. Kết luận
Luận văn này đĩ tỡm hiểu tổng quan về khai phỏ dữ liệu và cỏc phương phỏp phõn lớp dữ liệu. Bờn cạnh đú cũng đĩ tỡm hiểu và sử dụng kỹ thuật phõn lớp SVM được đỏnh giỏ là một trong những phương phỏp phõn lớp cú độ chớnh xỏc cao.
Trờn cơ sở đú, luận văn xõy dựng mụ hỡnh ứng dụng SVM để ỏp dụng vào bài toỏn dự đoỏn bài viết chọn đăng trờn tạp chớ. Cụ thể luận văn đạt được cỏc kết quả sau:
- Trỡnh bày tổng quan về khai phỏ dữ liệu và cỏc phương phỏp phõn lớp dữ liệu - Tỡm hiểu kỹ thuật phõn lớp SVM, cỏc dạng SVM.
- Tiến hành thực nghiệm và đỏnh giỏ kết quả dự đoỏn dựa trờn bộ dữ liệu cú được.
2. Hướng phỏt triển
- Tiếp tục nghiờn cứu về cơ sở lý thuyết SVM - Xõy dựng bộ dữ liệu đa dạng hơn.
- Xõy dựng phần mềm phõn loại chọn bài đăng trong tạp chớ dựa trờn kỹ thuật SVM.
TÀI LIỆU THAM KHẢO
1. Ian Witten, Eibe Frank. Data Mining: Practical Machine Learning Tools and
Techniques, Second Edition, Morgan Kaufmann Publishers, 2005.
2. Vapnik V. (1999). The Nature of Statistical Learning Theory. Springer, 2nd edition.
3. B. Schửlkopf, C.J.C. Burgesand A.J. Smola, Eds., Advances in Kernel Methods,
Cambridge MA: MIT Press, 1999.
4. Christopher J.C. Burges (1998), A Tutorial on Support Vector Machines for Pattern Recognition, Proceedings of Int Conference on Data Mining and Knowledge Discovery, Vol 2, No 2, pp 121-167.
5. Kristin P. Bennett, Ayhan Demiriz (1998). Semi-Supervised Support Vector
Machines. NIPS 1998: 368-374.
6. John Ross Quilan (1990), “Decision trees and decision making”, IEEE transactions on Man and Cybernetics, (20), pp. 339-346.
7. Joachims T. (1997), Text categorization with Support Vector Machines: Learning with many relevant features, Technical Report 23, LS VIII, University of Dortmund.
8. Durgesh K. Sriavastava, Lekha Bhambhu, Data classification using support vector machine, Journal of Theoretical and Applied Information Technology, 2005 – 2009 Jatit.
9. J. Friedman., Another Approach to Polychotomous Classification, Technical report, Stanford university, US, 1996.
10.JohnC.Platt, Fast Training of Support Vector Machines using Sequential Minimal Optimization, In Advences in Kernel Methods – Support Vector Learning, pp.185-208, Cambridge, M.A, 1999, MIT Press.
51,50,49,46,45,40,36,35,30,24 MAU