- Xét các tập dữ liệu tồn tại nhiễu như hình 4.5 và hình 4
DBCLASD thời gian: 2s
việc chọn 2 tham số đó là Eps và Minpts, ngược lại DBCLASD không đòi hỏi các tham số đầu vào từ người sử dụng.
4.6. Kết luận
Với kết quả thử nghiệm đánh giá và nhận xét. xác định tham số đầu vào ứng với mỗi tập dữ liệu sẽ hỗ trợ cho người sử dụng chọn tham số để đưa ra kết quả tốt.
KẾT LUẬN
Với sự hỗ trợ của nhiều loại thiết bị thu thập và lưu trữ dữ liệu, con người đang dần bị chìm ngập trong lượng lớn dữ liệu và trong khả năng của mình không thể xử lý được hết tất cả các dữ liệu này. Sự ra đời của một kỹ thuật mới, khai phá tri thức trong dữ liệu, với mục đích nhằm giảm thời gian và công sức của việc xử lý, thu thập và lưu trữ dữ liệu.
Sự ra đời của kỹ thuật khai phá tri thức trong dữ liệu đã mở ra nhiều hướng nghiên cứu mới, một trong số hướng nghiên cứu đang được quan tâm là phân nhóm (clustering) các dữ liệu.
Do sự khác nhau giữa cơ sở dữ liệu không gian và cơ sở dữ liệu thường nên nhiều phương pháp phân nhóm áp dụng vào cơ sở dữ liệu không gian đã không còn phù hợp.
Luận văn đạt được một số kết quả sau:
- Tập trung tìm hiểu một số thuật toán phân nhóm cơ bản dựa vào mật độ phân bố của các đối tượng dữ liệu không gian.
- Cài đặt thử nghiệm trên một số mẫu dữ liệu không gian, từ đó đưa ra đánh giá về tính hiệu quả của các thuật toán đó.
Tuy nhiên luận văn còn một số hạn chế và đây cũng là hướng phát triển trong tương lai: - Về mặt ứng dụng: Dữ liệu sử dụng để cài đặt mang tính tự tạo, chưa thực tế và đặc biệt là chỉ mới tập trung vào tính chất không gian (vị trí) của dữ liệu để phân nhóm. Trong tương lai, dựa trên những lý thuyết nghiên cứu được để xây dựng các ứng dụng thực tế.
- Về mặt lý thuyết: Dựa trên các phương pháp đã trình bày, có thể nghiên cứu đưa ra những cải tiến hoặc các phương pháp mới tốt hơn, thích hợp cho từng bài toán cụ thể. Chẳng hạn như để cải tiến thuật toán DBSCAN ta có thể kết hợp thuật toán DBSCAN và OPTICS để có thể phân nhóm các tập dữ liệu mà giữa các nhóm phân bố không đồng đều.