CHƯƠNG 3 PHÁT TRIỂN ỨNG DỤNG VÀ THỬ NGHIỆM
3.2.2. Đánh giá, nhận xét
Qua thực nghiệm với bộ dữ liệu cụ thể trên, ta thấy với bộ dữ liệu ngẫu nhiên ở trên qua quá trình phân cụm. Nếu ta chạy chương trình với C=5 thì ta phân được 05 cụm dữ liệu có độ tương đồng như sau:
- Nhóm 1: Có viết sáng kiến kinh nghiệm, chuyên môn được đánh giá tốt, thời gian làm việc đảm bảo nhưng hiệu quả thực hiện công việc chưa cao.
- Nhóm 2: Có tác phong tốt, chuyên môn được đánh giá cao, hiệu quả công việc được nhận xét tốt, hiệu quả cao, các công tác khác làm tốt nhưng không viết sáng kiến kinh nghiệm.
- Nhóm 3: Được nhận xét tác phong tốt, chuyên môn tốt, có viết sáng kiến kinh nghiệm nhưng khi thực tế vào làm việc thì hiệu quả chưa cao hoặc một số thuộc tính khác còn hạn chế.
- Nhóm 4: Không viết sáng kiến kinh nghiệm, tác phong không tốt và còn hạn chế nhiều mặt.
- Nhóm 5: Có viết sáng kiến kinh nghiệm, hiệu quả công việc cao, công tác khác tốt nhưng còn một số thuộc tính chưa tốt.
Dựa vào kết quả phân cụm trên Hội đồng thi đua sẽ nhanh chóng nhìn ra các giáo viên có độ tương đồng nhau về nhận xét trong đánh giá thi đua, đây là cơ sở để Hội đồng đánh giá thi đua đánh giá chính xác, khách quan hơn trong công tác thi đua khen thưởng của đơn vị. Trên bảng phân tích kết quả ngoài việc phân nhóm thi đua còn có tính phần trăm của dữ liệu gần điểm tâm của nhóm nhất (vì đây là dữ liệu phân chia trên tính mờ) có thể giúp ban giám hiệu hoặc hội đồng thi đua có thể phân tích thêm cho từng giáo viên cụ thể nhưng cơ bản về độ tương đồng trong nhóm đã được phân theo từng cụm cụ thể. Tùy thuộc vào độ chính xác của dữ liệu và độ chính xác về nhận xét của người theo dõi thi đua thì độ hội tụ về tâm các cụm dữ liệu sẽ cao hơn.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 1. Kết luận
Đề tài đã giới thiệu một cách có hệ thống các kiến thức cơ bản tổng quan về phân cụm dữ liệu, các kiểu dữ liệu và độ đo, tổng quan lý thuyết về Logic mờ, các thuật toán phân cụm nhưng đặc biệt nghiên cứu về thuật toán phân cụm FCM của giáo sư Bezdek. Một số khái niệm về công tác thi đua, khen thưởng trong ngành giáo dục và đào tạo. Phát biểu được bài toán khởi đầu, vận dụng lý thuyết và đã xây dựng được các hàm để tìm kết quả ra của bài toán đặt ra.
Trong phần ứng dụng đã chạy được bộ dữ liệu thực và đã phân được các cụm và các cụm có độ tương đồng nhau, dựa trên các cụm người quản lý có thể phân tích cho đối tượng được đánh giá thi đua thỏa mãn được kết quả thi đua của mình.
Dưới sự hướng dẫn của thầy PGS.TS. Võ Trung Hùng và trong thời gian thực hiện đề tài: “Nghiên cứu một số thuật toán phân cụm dữ liệu và ứng dụng hỗ trợ đánh giá thi đua tại trường THPT Bình Sơn, Quảng Ngãi” em rút ra một số nhận xét sau:
Ưu điểm
- Nghiên cứu sâu về mặt lý thuyết phân cụm dữ liệu, logic mờ và thuật toán phân cụm dữ liệu mờ.
- Nội dung nghiên cứu là vấn đề cấp thiết hiện nay và có nhiều ứng dụng trên thực tế.
Nhược điểm
- Do thời gian có hạn, nên sử dụng phần mềm MATLAB để viết code chạy phân cụm, chưa xây dựng được chương trình chạy độc lập và thực nghiệm trên bộ dữ liệu với số lượng bản ghi chưa lớn
2. Hướng phát triển
Ðề tài được nghiên cứu và áp dụng trên phạm vi dữ liệu thực tại trường THPT Bình Sơn nên tương lai có thể chạy trên dữ liệu của nhiều trường khác nhau trong tỉnh.
Tiếp tục viết chương trình hoàn thiện để chạy độc lập và sẽ ứng dụng với bộ dữ liệu lớn hơn và có thể sẽ viết chương trình chạy với nhiều loại dữ liệu khác trong các lĩnh vực khác như phân loại sách trong thư viện, hay phân loại khách hàng trong lĩnh vực kinh doanh…
Cuối cùng với những kết quả đạt được của đề tài này tuy còn hạn chế nhưng đã giúp em có được những nghiên cứu cơ bản về phân cụm dữ liệu về lý thuyết logic mờ và đã phân được cụm dữ liệu hỗ trợ công tác đánh giá thi đua. Bên cạnh đó có thể làm tài liệu phục vụ giảng dạy hoặc tham khảo.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1] Nguyễn Cát Hồ, Nguyễn Công Hào (2009), Giáo trình sau đại học Logic mờ và ứng dụng, Huế.
[2] Nguyễn Hà Nam, Hà Trí Thành, Hà Quang Thụy, 2016, Giáo trình khai phá dữliệu, NXB Quốc gia Hà Nội.
Tiếng Anh
[3] A.K. Jain and R.C. Dubes, Algorithms for Clustering Data. Englewood Cliffs, N.J.: Prentice Hall, 1988.
[4] A.K. Jain, M.N. Murty, and P.J. Flynn, ªData Clustering: A Review,º ACM Computing Surveys, vol. 31, no. 3, pp. 264-323, 1999.
[5] A.K. Jain, P.W. Duin, and J. Mao, ªStatistical Pattern Recognition: A Review,ºIEEE Trans. Pattern Analysis and Machine Intelligence, vol. 22, no. 1, pp. 4-37, Jan. 2000.
[6] E. H. Ruspini, J. Information Sciences, vol. 2, no. 3, (1970).
[7] J. C. Bezdek, Editor, “Pattern Recognition with Fuzzy Objective Function Algorithms”, Springer Publishers, New York, (1981).
[8] J. C. Dunn, J. Cybernetics, vol. 3, no. 3, (1974).
[9] J. C. Bezdek, R. Ehrlich and W. Full, J. Computers & Geosciences, vol. 10, (1984), pp. 2-3.
[10] N. R. Pal and I. C. Bezdek, J. IEEE Transactions on Fuzzy Systems, vol. 3, no. 4, (1995).
[11] The Matworks, Inc. “Fuzzy Logic Toolbox for Use with MATLAB” www.matworks.com