I. Giới thiệu
Luận văn thạc sĩ này tập trung vào việc phân lớp sinh viên dựa trên kết quả học tập trong hệ thống tín chỉ. Mục tiêu chính là xây dựng một mô hình phân lớp có độ chính xác cao và dễ hiểu, giúp dự đoán kết quả học tập của sinh viên và hỗ trợ quyết định trong hệ thống giáo dục. Khoa học máy tính được áp dụng để phân tích dữ liệu và rút trích các quy tắc phân lớp từ mô hình rừng ngẫu nhiên.
1.1 Lý do nghiên cứu
Việc áp dụng khai phá dữ liệu trong giáo dục, đặc biệt là phân lớp sinh viên, giúp dự đoán kết quả học tập và cải thiện hiệu quả giáo dục. Hệ thống tín chỉ yêu cầu sinh viên tự quản lý thời gian và lựa chọn môn học, nhưng nếu không phù hợp, sẽ dẫn đến thất bại. Do đó, cần một mô hình phân lớp chính xác và dễ hiểu để hỗ trợ sinh viên và giáo viên.
1.2 Mục đích nghiên cứu
Mục tiêu của luận văn là rút trích các quy tắc phân lớp từ mô hình rừng ngẫu nhiên để tăng độ dễ hiểu mà vẫn đảm bảo độ chính xác. Kết quả sẽ được áp dụng trong hệ thống hỗ trợ quyết định giáo dục, giúp dự đoán và cải thiện kết quả học tập của sinh viên.
II. Cơ sở lý thuyết
Luận văn dựa trên các lý thuyết về phân lớp dữ liệu, khai phá luật, và các giải thuật phân lớp phổ biến như C4.5, Neural Network, và Random Forest. Các phương pháp rút trích luật từ mô hình hộp đen cũng được nghiên cứu để tăng độ dễ hiểu của mô hình.
2.1 Bài toán phân lớp
Bài toán phân lớp sinh viên dựa trên kết quả học tập là một trong những ứng dụng quan trọng của khai phá dữ liệu giáo dục. Các giải thuật như C4.5 và Random Forest được sử dụng để xây dựng mô hình phân lớp.
2.2 Rút trích luật
Các mô hình hộp đen như Neural Network và Random Forest có độ chính xác cao nhưng khó hiểu. Luận văn đề xuất phương pháp rút trích luật từ các mô hình này để tăng độ dễ hiểu mà vẫn giữ nguyên độ chính xác.
III. Phương pháp nghiên cứu
Luận văn sử dụng các giải thuật phân lớp trong WEKA để xây dựng mô hình và rút trích luật từ rừng ngẫu nhiên. Hai phương pháp rút trích luật là Từ dưới lên và Từ trên xuống được áp dụng để so sánh và đánh giá.
3.1 Xây dựng mô hình
Các giải thuật phân lớp như C4.5, Neural Network, và Random Forest được sử dụng để xây dựng mô hình trên tập dữ liệu giáo dục. Random Forest được chọn do độ chính xác cao.
3.2 Rút trích luật
Luật được rút trích từ rừng ngẫu nhiên bằng cách chuyển đổi cây quyết định thành các quy tắc IF-THEN. Các luật được sắp xếp và tổng quát hóa để tăng độ dễ hiểu.
IV. Kết quả và đánh giá
Kết quả thực nghiệm cho thấy phương pháp Từ dưới lên và Từ trên xuống đều đạt độ chính xác cao. Tuy nhiên, phương pháp Từ dưới lên cho kết quả tốt hơn về số lượng luật và độ chính xác. Các luật rút trích được áp dụng trong hệ thống hỗ trợ quyết định giáo dục.
4.1 Kết quả thực nghiệm
Các giải thuật phân lớp được đánh giá trên tập dữ liệu giáo dục. Random Forest cho kết quả chính xác nhất. Các luật rút trích từ rừng ngẫu nhiên được so sánh và đánh giá.
4.2 Đánh giá
Phương pháp Từ dưới lên giữ lại các luật có độ chính xác cao nhất, trong khi phương pháp Từ trên xuống loại bỏ các luật có độ chính xác thấp. Kết quả cho thấy phương pháp Từ dưới lên hiệu quả hơn.
V. Kết luận
Luận văn đã đề xuất và thực hiện thành công phương pháp rút trích luật từ rừng ngẫu nhiên để phân lớp sinh viên dựa trên kết quả học tập. Các luật rút trích có độ chính xác cao và dễ hiểu, có thể áp dụng trong hệ thống hỗ trợ quyết định giáo dục.
5.1 Đóng góp
Luận văn đóng góp một mô hình phân lớp dễ hiểu và chính xác, giúp dự đoán kết quả học tập của sinh viên trong hệ thống tín chỉ.
5.2 Hướng phát triển
Hướng phát triển tiếp theo là áp dụng mô hình trên các tập dữ liệu lớn hơn và tích hợp vào các hệ thống quản lý học tập hiện đại.
