Bài viết đề xuất một phương pháp để nâng cao hiệu quả phân lớp dữ liệu không cân bằng. Đóng góp chính của phương pháp là kết hợp thuật toán phân cụm K-means và kỹ thuật sinh mẫu thiểu số VCIR để tạo ra các mẫu nhân tạo có tính đại diện sát với đặc trưng của dữ liệu thực tế.

Bài viết Thuật toán Nearmiss-SF cho bài toán phân lớp dữ liệu mất cân bằng và có số chiều lớn đề xuất một thuật toán làm giảm số lượng phần tử lớp đa số trên một tập con các đặc trưng để cải thiện hiệu suất phân lớp tập dữ liệu mất cân bằng và có số chiều lớn.

Mục tiêu nghiên cứu của luận văn "Nghiên cứu đồ thị tri thức mờ và ứng dụng vào bài toán phân lớp dữ liệu" là nghiên cứu về lý thuyết mờ, lý thuyết đồ thị, đồ thị tri thức mờ; Xây dựng demo và thử nghiệm mô hình với bài toán phân lớp dữ liệu.

Luận án "Nâng cao hiệu năng phân lớp dữ liệu trên cơ sở cải tiến thuật toán SVM" được hoàn thành với mục tiêu nhằm đề xuất các phương pháp mới nhằm nâng cao hiệu năng phân lớp dữ liệu (độ chính xác trong phân lớp, thời gian huấn luyện) đối với dữ liệu có cấu trúc phức tạp, trên cơ sở cải tiến thuật toán SVM. Cụ thể, cần khai thác được thông tin về cấu trúc của từng cụm dữ liệu và thông tin về số lượng điểm dữ liệu của mỗi cụm trong các lớp.

Luận văn "Sử dụng cây quyết định phân lớp dữ liệu mất cân đối" được thực hiện với mục tiêu chính như thách thức của bài toán phân lớp dữ liệu mất cân đối là vấn đề về đối tượng cần quan tâm nghiên cứu lại có rất ít mẫu - mẫu lớp thiểu số so với các lớp khác trong tập dữ liệu - mẫu lớp đa số.

Thực tập viết niên luận: Tìm hiểu thuật toán ID3 trong xây dựng cây quyết định và khai thác bằng phần mềm WEKA để phân lớp dữ liệu trình bày các nội dung chính như: Tổng quan về khai phá dữ liệu; Cây quyết định; Thuật toán ID3.

Bài nghiên cứu này trình bày một số vấn đề về phân cụm, phân lớp dữ liệu một trong những kỹ thuật cơ bản để khai phá dữ liệu nhưng lại được sử dụng rộng rãi và đem lại hiệu quả cao. Để hiểu rõ hơn mời các bạn cùng tham khảo nội dung chi tiết của luận văn này.

Nội dung chính của luận văn là đưa ra cái nhìn tổng quan về thuê bao rời mạng, khái niệm thuê bao rời mạng, các hình thức rời mạng của thuê bao. Trình bày được lý thuyết khai phá dữ liệu, các ứng dụng khai phá dữ liệu di động, bài toán phân lớp và dự báo. Tìm hiểu các phương pháp phân lớp dữ liệu. Mời các bạn cùng tham khảo!

Mục tiêu của đề tài này là tìm hiểu các tri thức cơ bản của y khoa về các loại bệnh thông thường, thu thập tri thức để xây dựng một hệ thống hỏi đáp nhằm hổ trợ chẩn đoán và phân loại các bệnh thường gặp, cho người sử dụng những lời khuyên hữu ích trong việc phòng và điều trị bệnh. Mời các bạn cùng tham khảo!

Mục tiêu nghiên cứu chính của luận văn là khai phá dữ liệu và phát hiện tri thức trong chương này nghiên cứu tổng quan về khái phá dữ liệu và phát hiện tri thức. Bên cạnh đó, một số kĩ thuật khái phá dữ liệu cơ bản cũng được trình bày trong chương này. Đồng thời ứng dụng phân lớp dữ liệu hoa Iris, chương này phát triển và Demo ứng dụng công cụ Weka xây dựng mô hình, kiểm tra và đánh giá mô hình dự doán hoa Iris. Mời các bạn tham khảo!

Nội dung chính của luận văn được chia làm 3 chương: Chương 1 - Tổng quan về khai phá dữ liệu và phát hiện tri thức; Chương 2 - Một số phương pháp và kỹ thuật phân lớp dữ liệu và Chương 3 - Ứng dụng phân lớp dữ liệu Mushroom với công cụ Weka và một số thuật toán cơ bản. Mời các bạn tham khảo!

Mục tiêu của Luận văn là nghiên cứu các kỹ thuật học máy để giải quyết bài toán phân lớp dữ liệu nói chung và thử nghiệm đánh giá hiệu năng của chúng trên bộ dữ liệu KDD cup 99. Mời các bạn cùng tham khảo!

Mục tiêu của Luận văn là nghiên cứu các kỹ thuật học máy để giải quyết bài toán phân lớp dữ liệu nói chung và thử nghiệm đánh giá hiệu năng của chúng trên bộ dữ liệu KDD cup 99. Để hiểu rõ hơn mời các bạn cùng tham khảo nội dung chi tiết của Luận văn này.

Nội dung của bài tập lớn này với mục đích tìm hiểu và trình bày về một kỹ thuật trong khai phá dữ liệu để phân lớp dữ liệu cũng như tổng quan về khai phá dữ liệu. Mời các bạn cùng tham khảo tài liệu để nắm chi tiết hơn nội dung nghiên cứu.

Luận án xây dựng mô hình học phân lớp dữ liệu bằng cây quyết định mờ và phương pháp trích chọn đặc trưng để chọn tập mẫu huấn luyện cho quá trình học phân lớp. Đề xuất phương pháp xử lý giá trị ngôn ngữ của các thuộc tính chưa thuần nhất dựa vào đại số gia tử. Từ đó đề xuất các thuật toán học bằng cây quyết định mờ nhằm đạt hiệu quả trong dự đoán và đơn giản đối với người dùng.

Mục tiêu của luận án là đề xuất các thuật toán học bằng cây quyết định mờ nhằm đạt hiệu quả trong dự đoán và đơn giản đối với người dùng. Để đáp ứng cho các mục tiêu nghiên cứu trên, luận án tập trung nghiên cứu các nội dung chính sau: Nghiên cứu các thuật toán học cây truyền thống CART, ID3, C4.5, C5.0, SLIQ, SPRINT trên mỗi tập mẫu huấn luyện để tìm một phương pháp học phù hợp.

Mục tiêu của luận án đó là nghiên cứu cải tiến một số kỹ thuật rút gọn đặc trưng tiên tiến trong phân lớp dữ liệu đối với một số miền ứng dụng. Hướng tiếp cận lựa chọn đặc trưng xác định một tập con đặc trưng tốt nhất có thể từ tập đặc trưng ban đầu mà không làm giảm kết quả phân lớp. Mời các bạn cùng tham khảo đề tài.

Phân lớp dữ liệu là vấn đề lớn và quan trọng của khai phá dữ liệu. Cây quyết định là giải pháp hữu hiệu của bài toán phân lớp, nó bao gồm từ mô hình cho quá trình học đến các thuật toán huấn luyện cụ thể để xây dựng cây. Luận án tập trung nghiên cứu mô hình linh hoạt cho quá trình huấn luyện cây từ tập mẫu huấn luyện, nghiên cứu phương pháp xử lý giá trị ngôn ngữ và xây dựng các thuật toán học phân lớp dữ liệu bằng cây quyết định mờ đạt nhằm đạt hiệu quả trong dự đoán và đơn giản đối với người dùng. Để tìm hiểu rõ hơn, mời các bạn cùng xem và tham khảo.

Bài giảng cung cấp cho người học các kiến thức: Phân lớp dữ liệu. Hi vọng đây sẽ là một tài liệu hữu ích dành cho các bạn sinh viên đang theo học môn dùng làm tài liệu học tập và nghiên cứu.

Bài giảng Phương pháp nghiên cứu khoa học: Giải thuật rừng ngẫu nhiên xiên phân (RF-ODT) cho phân lớp dữ liệu có số chiều lớn giới thiệu chung, rừng ngẫu nhiên xiên phân (RF-ODT); kết quả thực nghiệm; hướng phát triển.