Qua kết quả thực nghiệm của chương trình trong bảng 16 chúng tôi nhận thấy rằng thuật toán đã phần nào phân lớp được các đối tượng bị bệnh và không bị bệnh. Tỉ lệ số đối tượng được phân lớp đúng khoảng 65% đến 70%. Qua đó khẳng định thuật toán trình bày trong Chương 2 phần 2.2.2.4. là có khả năng phân lớp được dữ liệu dựa trên một cách chọn siêu phẳng khá đơn giản. Để nâng cao được kết quả thực nghiệm chúng ta cần có một phương pháp chọn siêu phẳng tổng quát hơn, hiệu quả hơn. Cách chọn siêu phẳng được trình bày trong Chương 2 phần 2.2.2.4. của khoá luận tốt nghiệp là khá đơn giản để lập trình, tuy nhiên chưa thực sự hiệu quả cho việc phân lớp. Nhất là với dữ liệu kiểu thực thì việc lựa chọn siêu phẳng dựa trên cách chọn thuộc tính tốt nhất dùng hàm độ đo thông tin Infomation Gain là không hiệu quả khi tập giá trị của thuộc tính đó của các đối tượng khác nhau là rất lớn, gần như bằng chính số đối tượng.
Chương trình của chúng tôi đã thành công trong việc mô phỏng thuật toán của tác giả [1] với một cách chọn siêu phẳng khá đơn giản. Tuy nhiên, chương trinh còn có một số hạn chế như:
− Chỉ làm việc được với một loại cấu trúc dữ liệu đầu vào.
− Chưa đưa ra được một cách chọn siêu phẳng đủ mạnh để phân lớp dữ liệu theo thuật toán trình bày trong Chương 2 phần 2.2.2.4
− Thuộc tính quyết định chỉ được phép nhận 2 giá trị.
KẾT LUẬN
Tài liêu tham khảo:
[1]. Aleksander. Discernibility and Rough Sets in Medicine: Tools and
Applications Knowledge Systems Group, Dept. of Computer and Information Science,
Norwegian University of Science and Technology, Trondheim, Norway.
[2]. Andrzej Skowron, Ning Zong (2000). Rough Sets in KDD. Tutorial Notes. [3]. Ho Tu Bao (1996). Introduction to Knowledge Discovery and Data
mining. Institute of Information Technology National Center for Natural Science and
Technology.
[4]. Fayyad, Piatetsky-Shapiro, Smyth, “From Data Mining to Knowledge Discovery: An Overiew”, in Fayyad, Piatetsky-Shapiro, Smyth, Uthurusamy, Advances in Knowl\ledge Discovery and Data Mining, AAAI Press/ The MIT Press, Menlo Park, CA, 1996, pp,1-34
[5]. Sinh Nguyen Hoa, Andrzej Skowron, Piotr Synak (1998). Discovery of
Data Patterns with Application to Decomposition and Classification Problems.
[6]. Jan Komorowski, Zdzislaw Pawlak, Lech Polkowski, Andrzej Skowron (2000). Rough sets: A tutorial
[7]. Rakesh Agrawal, Tomasz Imielinski, Arun Swami (1993). Mining
Assosication Rules between Sets of item in Large Databases. Proceedings of the 1993
ACM SIGMOD conference Washington DC, USa, May 1993
[8] Ronald J.Branchman and Tej Anand. The Process of Knowledge Discoery
inDatabases, 1996
[9] Nguyen Hung Son, Nguyen Sinh Hoa. From Optimal Hyperplanes to
Optimal Decision Trees: Rough Set and Boolean Reasoning Approaches, Institute of
Computer Sciences Warsaw University 02-097, Banacha 2, Warsaw, Poland
[10] Hà Quang Thuỵ (1996). Một số vấn đề về không gian xấp xỉ, tập thô đối với hệ thông tin. Luận án Phó tiến sĩ Khoa học Toán Lý. ĐHKHTN, 1996
[11] Tom M. Mitchen. Machine Learning. Mc Graw Hill, pp52-76
[12]. Wojciech P. Ziarko (Ed., 1994). Rough Sets, Fuzzy Sets and Knowledge
Discovery. Proceedings of the International Workshop on Rough Sets and Knowledge