Một số phương pháp phân loại cho dữ liệu điểm và áp dụng.

Abstract

Luận văn đã tiến hành khảo sát, trình bày và ứng dụng bốn phương pháp phân loại phổ biến trong lĩnh vực học máy, bao gồm: hồi quy logistic, phân tích phân biệt tuyến tính Fisher, phương pháp láng giềng gần nhất (KNN), và cây quyết định. Thông qua việc vận dụng các phương pháp này vào bài toán phân loại dữ liệu điểm, luận văn đã phần nào đánh giá được hiệu quả, ưu điểm cũng như hạn chế của từng kỹ thuật trong thực tiễn. Kết quả phân tích và thực nghiệm cho thấy rằng mỗi phương pháp đều có những đặc trưng riêng, phù hợp với từng dạng dữ liệu và yêu cầu bài toán cụ thể. Phương pháp hồi quy logistic và Fisher tỏ ra hiệu quả trong trường hợp dữ liệu có tính tuyến tính rõ rệt, với mô hình dễ triển khai và diễn giải. Trong khi đó, KNN thể hiện được khả năng phân loại linh hoạt khi dữ liệu phân bố không theo quy luật tuyến tính, nhưng lại đòi hỏi nhiều chi phí tính toán và nhạy cảm với nhiễu. Đặc biệt, cây quyết định không chỉ mang lại kết quả phân loại trực quan mà còn giúp làm rõ cấu trúc quyết định nhờ khả năng biểu diễn theo dạng nhánh cây, mặc dù đôi khi mô hình này có thể bị quá khớp nếu không kiểm soát tốt độ sâu. Qua quá trình triển khai các thuật toán và đánh giá mô hình bằng các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu và ma trận nhầm lẫn, luận văn không chỉ dừng lại ở việc áp dụng các công cụ phân loại mà còn cung cấp cái nhìn tổng quan, có tính so sánh giữa các kỹ thuật. Từ đó, người đọc có thể nhận thấy vai trò quan trọng của việc lựa chọn mô hình phù hợp trong từng bài toán cụ thể, thay vì chỉ dựa trên độ phức tạp hay độ chính xác tuyệt đối.