Chuẩn đoán bệnh lao phổi bằng phương pháp ID3 (download sẽ bao gồm luôn code xịn c#)

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI
‫ﻣ‬KHOA CÔNG NGHỆ THÔNG TIN ‫ﻣ‬

BÀI TẬP LỚN
MÔN: HỆ CHUYÊN GIA
ĐỀ TÀI: XÂY DỰNG HỆ CHUYÊN GIA CHUẨN ĐOÁN
BỆNH LAO PHỔI BẰNG PHƯƠNG PHÁP ID3
Giáo viên hướng dẫn: Th.s Trần Hùng Cường

Hà Nội – 2020
MỤC LỤC


LỜI NĨI ĐẦU
1. Tính cấp thiết của đề tài
Thế giới ngày nay phát triển mạnh mẽ với các hoạt động vơ cùng đa
dạng và phức tạp địi hỏi khả năng giải quyết vấn đề ở mức độ trí tuệ
nhân tạo ngày càng cao. Lĩnh vực trí tuệ nhân tạo nói chung và hệ
chuyên gia nói riêng góp phần tạo ra các hệ thống có khả năng trí tuệ
của con người, có được tri thức tiên tiến của các hệ chuyên gia để giải
quyết các vấn đề phức tạp trong cuộc sống.
Hệ chuyên gia được thu hút mãnh mẽ do những ưu điểm sau.
- Các chương trình hệ chuyên gia ngày càng tỏ ra hữu hiệu và tiện
lợi đáp ứng nhu cầu thực tế.
- Các chương trình hệ chuyên gia ngày càng tỏ ra có tính khả thi
cao
- Hệ chun gia khơng có tính đơn lẻ phù hợp với nhiều cá nhân
- Ở Việt Nam nền y học đã phát tr iển theo hướng hiện đại, chúng
ta có khác nhiều chuyên gia giải đấu ngành với trình độ quốc tế.
Tuy nhiên cịn nhiều bất cập về trình độ của đội ngũ y sĩ, bác sĩ ở các
bệnh viên trung tâm tuyến tinh, huyện xã.

- Làm thế nào để sử dụng rộng rãi tri thức y học của các chuyên gia
trong tất cả các bệnh viện.
- Nâng cao trình độ chun mơn của đội ngũ thầy thuốc ở các tuyến
tinh huyện nhất là vùng sâu vùng xa.
Có nhiều cách giải quyết vấn đề trên Cách giải quyết chúng tôi là
xây dựng chương trình hỗ trợ thầy thuốc trong việc chuẩn đốn và phân
loại các bệnh về phổi.

2


2. Mục đích nghiên cứu
Tìm hiểu các phương pháp biểu diễn tri thức các kĩ thuật suy diễn
thường dùng trong hệ chuyên gia Cuối cùng xây dựng một chương trình
hệ chuyên gia phân loại và chuẩn đoán các bệnh lâm sàng.

3


CHƯƠNG 1: TỔNG QUAN HỆ CHUYÊN GIA
1.

1 Khái niệm hệ chuyên gia
Theo E. Feigenbaum: Hệ chuyên gia (Expert System) là một chương

trình máy tính thơng minh sử dụng tri thức (knowledge) và các thủ tục
suy luận (inference procedures) để giải những bài tốn tương đối khó
khăn địi hỏi những chun gia mới giải được. Hệ chuyên gia là một hệ
thống tin học có thể mơ phỏng (emulates) năng lực quyết đoán
(decision) và hành động (making abilily) của một chuyên gia (con

người). Hệ chuyên gia là một trong những lĩnh vực ứng dụng của trí tuệ
nhân tạo (Artificial Intelligence).
1. 2 Các thành phần của hệ chuyên gia
1.2.1 Bộ giao diện người máy
Thực hiện giao tiếp giữa HCG và người sử dụng. Bộ này nhận các
thông tin từ người sử dụng và đưa ra các câu trả lời, các lời khuyên, các
giải thích về lĩnh vực đó.
1.2.2 Mơ tơ suy diễn
Hệ chun gia mơ hình hóa cách lập luận của con người với mô dun
động cơ suy diễn. Hệ chuyên gia chứa động cơ suy diễn để tiến hành
các suy diễn nhằm tạo ra các tri thức mới dựa trên các sự kiện, tri thức
trong vùng nhớ làm việc và tri thức trong cơ sở tri thức.Hai kiểu suy
diễn chính trong động cơ suy diễn là suy diễn tiến và suy diễn lùi.
1.2.3 Cơ sở tri thức
Lưu trữ, biểu diễn các tri thức mà hệ đảm nhận làm cơ sở cho ác hoạt
động của hệ. CSTT bao gồm các sự kiện (facts) và các luật (rules).

4


1.2.4 Bộ giải thích
Trả lời hai câu hỏi là tại sao (why) và bằng cách nào (how), câu hỏi
WHY nhằm mục đích cung cấp các lý lẽ để thuyết phục người sử dụng
đi theo con đường suy diễn của hệ chuyên gia. Câu hỏi HOW nhằm
cung cấp các giải thích về con đường mà hệ chuyên gia sử dụng mang
lại kết quả.
1.2.5 Bộ tiếp nhận tri thức
Làm nhiệm vụ thu nhận tri thức từ hệ chuyên gia con người (human
expert), từ kỹ sư xử lý tri thức và người sử dụng thông qua các yêu cầu
và lưu trữ vào CSTT.

1.2.6 Bộ nhớ làm việc
Chứa các sự kiện liên quan được phát hiện trong quá trình đưa ra kết
luận. Bộ nhớ làm việc tương đương với bộ nhớ ngắn hạn (Short- Term
Memory) trong mơ hình giải quyết vấn đề của con người.

5


Hình 1: Các hành phần của hệ chuyên gia

1.3 Lĩnh vực ứng dụng
Điều khiển
Các hệ thống điều khiển quản lý theo cách phù hợp các hành vi của
hệ thống Chẳng hạn như điều khiển quá trình sản xuất hay điều trị bệnh
nhân Một hệ chuyên gia về điều khiển lấy dữ liệu về các thao tác hệ
thống diễn giải dữ liệu này để hiểu về trạng thái của hệ thống hay dự
đốn tương lai.
Thiết kế
Hệ thống có nhiệm vụ xây dựng các đối tượng theo các nàng buộc
Chẳng hạn như thiết kế hệ thống máy tính với đủ các yêu cầu về cấu
hình bộ nhớ tốc độ. Các hệ thống này thường thực hiện các bước công
việc, mỗi bước tuân theo các ràng buộc riêng.
Chuẩn đoán
Các hệ thống chuẩn đoán chỉ ra các chức năng trong hệ thống hay
phát hiện lỗi dựa trên quan sát thông tin Hầu hết các hệ thống chuân
6


đốn có chi thức về điều kiện , ngun nhân phát sinh lỗi Chẳng hạn hệ
thống chuẩn đoán bệnh dựa trên triệu trứng của người bệnh. Giảng dạy

các hệ thống giảng dạy giúp giáo viên , sinh viên trong vài mơn học
Ví dụ: 1979 Clancey đưa ra GUION để dạy sinh viên trong điều trị .
bệnh nhân nhiễm khuẩn.
Diễn giải
Các hệ thống diễn giải cho phép hiều tình huống bất ngờ từ thơng tin
có sẵn Điển hình là thơng tin rút từ dữ liệu máy có thiết bị hay kết quả
thí nghiệm.
Giám sát
Các hệ thống giám sát so sánh thơng tin quan sát về hành vi của hệ |
thống với trạng thái hệ thống được coi là gay cấn Ví dụ như các hệ |
thống giám sát diễn giải tín hiệu thu từ đầu dị sóng và so sánh thơng
tin này với trạng thái đã biết Khi phát hiện điều kiện gay cấn hệ thống
sẽ kích hoạt một loạt nhiệm vụ : Lập kế hoạch | Các hệ thống lập kế
hoạch tạo ra các hành động đạt được đích theo các ràng buộc Chẳng
hạn như lập kế hoạch các nhiệm vụ cho người máy để thực hiện chức
năng nào đó.
Dự đoán
Người ta dùng hệ thống dự báo thời tiết để biết các kết quả mà các
tình huống gây ra Các hệ thống này dự báo các sự kiện tương lai theo
thơng tin đã có và theo mơ hình bài tốn.
Chuẩn trị
Các hệ thống chuẩn trị khuyến cáo các giải pháp đối với các chức
năng sai. Ví dụ Hệ thống BLUBOX do Mulsant và Servan - Schreiber
đưa ra 1984 chuẩn trị bệnh nhân bị suy nhược.

7


Lựa chọn
Các hệ thống lựa chọn dùng để xác định một số lựa chọn tốt trong số

các khả năng Trong các hệ chuyên gia người thường dùng các kĩ thuật
suy diễn khơng chính xác hoặc hàm đánh giá khớp. • Mơ phỏng Các hệ
chun gia mơ phỏng mơ hình hóa một quá trình hay một hệ thống để
nghiên cứu tác nghiệp và sự tương tác trong hệ thống.
1.4 Hướng nghiên cứu
Sử dụng thuật toán học cây truyền thống ID3 để nghiên cứu xây
dựng hệ chuyên gia chuẩn đoán bệnh lao phổi. Bằng cách sử dụng và
tìm kiếm tài liệu về các cơng trình nghiên cứu hoặc các bài báo đã được
đăng ở các hội thảo và tạp chí lớn.

8


CHƯƠNG 2: THUẬT TOÁN ID3
2.1 Định nghĩa
ID3 (J. R. Quinlan 1993) sử dụng phương pháp tham lam tìm kiếm từ
trên xuống thơng qua khơng gian của các nhánh có thể khơng có
backtracking. ID3 sử dụng Entropy và Information Gain để xây dựng
một cây quyết định.
2.2 Thuật toán
Cho X là tập các vector đặc trưng (không gian đặc trưng)
X = {x1, x2, …, xn}
C là tập các giá trị phân lớp
C: X → C thực hiện gán nhãn cho phần tử trong X
D = {(x1, c(x1)), (x2, c(x2)), …, (xn, c(xn))} ⊆X × C
Nhiệm vụ: Dựa trên D, hãy xây dựng cây quyết định T xấp xỉ c.
ID3(D, Atributes, Target)
{

•

Tạo nút t cho cây.
Nếu tất cả các mẫu trong D đều thuộc lớp dương thì trả về cây có

•

nút gốc t và được dán nhãn “+”.
Nếu tất cả các mẫu trong D đều thuộc lớp âm thì trả về cây có nút

•

•
•
•

gốc t và được dán nhãn “-”.
Đặt t là nhãn phổ biến nhất của thuộc tính mục tiêu trong D.
Nếu Atributes rỗng thì trả về cây có một nút gốc trỏ bởi t.
Trường hợp khác:
*
 Đặt A là thuộc tính phân lớp tốt nhất trong D.
*
 Thuộc tính quyết định của t là A .
9




Với mỗi giá trị a của A* thực hiện:
- Bổ sung nhánh mới dưới t ứng với A* = “a”.

- Đặt D_a là tập con cảu D chauws các mẫu mà A* = “a”.
- Nếu D_a rỗng thì dưới nhánh mới này bổ sung nút lá
với nhãn phổ biến nhất trong D.
- Ngược lại, dưới nhánh mới này bổ sung cây con
ID3(D_a, Atributes –{A*}, Target)

•

Trả về t.

}
•

10


CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG
3.1 Phát biểu bài toán
Triệu chứng

Biểu hiện

Ho

Ra máu
Ra đờm

Sốt

Nhẹ (t° ≤ 38°C)

Nặng (t° > 38°C)

Sụt cân

Ít
Nhiều

Sưng hạch

To
Nhỏ

Mồ hơi trộm về đêm

Có
Khơng

Đau tức ngực

Có
Khơng

Bảng 1 Bảng dữ liệu các triệu chứng và biểu hiện của triệu chứng
3.2 Xây dựng cơ sơ tri thức

11


12

Stt

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

28
29
30
31
32
33
34
35
36
37
38
39
40

Ho

Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu

Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra máu
Ra đờm
Ra đờm
Ra đờm
Ra đờm
Ra đờm

Sốt

Nhẹ

Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Cao
Cao
Cao
Cao
Cao
Cao
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Cao
Cao
Nhẹ
Nhẹ
Nhẹ
Nhẹ
Cao
Cao
Cao

Cao
Cao
Cao
Cao
Cao
Cao
Nhẹ
Nhẹ
Nhẹ

Mồ

hơi Đau

Sụt

Sưng

Mắc

trộm về tức

cân

hạch

lao

đêm
Có

Có
Có
Có
Khơng
Khơng
Có
Có
Có
Có
Có
Có
Khơng
Khơng
Khơng
Khơng
Khơng
Khơng
Có
Khơng
Khơng
Khơng
Có
Có
Có
Có
Có
Có
Khơng
Khơng
Khơng

Khơng
Khơng
Khơng
Khơng
Khơng
Khơng
Có
Có
Khơng

Ít
ít
Nhiều
Nhiều
Ít
Ít
ít
ít
Nhiều
Ít
ít
ít
Ít
Ít
Nhiều
Nhiều
Ít
Ít
Nhiều
Nhiều

Nhiều
Nhiều
Nhiều
Nhiều
Nhiều
Nhiều
ít
ít
Ít
Ít
Nhiều
ít
Ít
Nhiều
Nhiều
Nhiều
Nhiều
Ít
Ít
Ít

Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ

To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
Nhỏ
To
Nhỏ
To
Nhỏ
To
Nhỏ
To

Nhỏ

yes
yes
yes
yes
no
no
yes
yes
yes
yes
yes
yes
no
no
yes
Yes
no
no
yes
yes
no
no
yes
yes
yes
yes
yes
no

no
no
yes
no
no
yes
yes
Yes
yes
yes
yes
no

ngực
Có
Có
Khơng
Khơng
Có
Có
Có
Có
Có
Có
Khơng
Khơng
Có
Có
Có
Có

Khơng
Khơng
Khơng
Có
Khơng
Khơng
Khơng
Khơng
Có
Có
Khơng
Khơng
Có
Có
Có
Khơng
Khơng
Khơng
Khơng
Khơng
Khơng
Có
Có
13Có


Bảng 2: Bảng dữ liệu chi tiết

3.3 Phương pháp giải quyết
Bây giờ ta tính độ lợi thơng tin cho từng thuộc tính sau đó chọn

thuộc tính có độ lợi thơng tin lớn nhất làm gốc của cây quyết định.
Entropy(S) = × - × = 0.9998
Xét thuộc tính “Sưng hạch”:
Entropy (Snhỏ) = × - × = 0.9992
Entropy (Sto) = × - × = 0.9968
Gain(S, Sưng hạch) = Entropy(S) -

× Entropy(Snhỏ) -

Entropy(Sto) = 0.9998 – 0.9992× - 0.9968× = 0.0075

14

×


Tương tự như vậy với các thuộc tính điều kiện còn lại:
Gain(S, Sụt cân) = 0.062
Gain(S, Đau tức ngực) = 0.27
Gain(S, Mồ hôi trộm) = 0.1122
Gain(S, Sốt) = 0.027
Gain(S,ho) = 0.07867
Trong các thuộc tính điều kiện trên ta thấy “Mồ hơi trộm” có độ lợi
thơng tin lớn nên thuộc tính này sẽ được chọn làm gốc của cây.
Trong nhánh “Mồ hơi trộm” = “Có”:
Gain(SCó, Ho) = 0.2952
Gain(SCó, Sốt) = 0.016
Gain(SCó, Đau tức ngực) = 0.123
Gain(SCó, Sụt cân) = 0.0029
Gain(SCó, Sưng hạch) = 0.0029

Chọn thuộc tính tốt nhất là “Ho”
Trong nhánh “Mồ hơi trộm” = “Có” và “Ho” = “RaMáu”:
Gain(SCó,RaMáu, Sốt) = 0.049
Gain(SCó,RaMáu , Đau tức ngực) = 0.049
Gain(SCó,RaMáu, Sụt cân) = 0.0579
Gain(SCó,RaMáu , Sưng hạch) = 0.058
15


Trong nhánh “Mồ hơi trộm” = “Có”, “Ho” = “Ra máu” và “Sụt cân”
= “ít”:
Gain(SCó,Ra máu,ít, Sốt) = 0.143
Gain(SCó,Ra máu,ít, Đau ngực) = 0.143
Gain(SCó,Ra máu,ít, Sưng hạch) = 0.1022
Trong nhánh “Mồ hơi trộm” = “Có”, ““Ho” = “Ra máu” và “Sụt
cân” = “ít” và “Sốt” = “Nhẹ”:
Gain(SCó,Ra máu,ít,Nhẹ, Đau ngực) = 0.3113
Gain(SCó,Ra máu,ít,Nhẹ, Sưng hạch) = 0.3113

16


Ta có cây quyết định:
Mồ hơi trộm

17


3.4 Kết quả

Khơng

Có

3.4.1 Các tập luật được đưa ra từ bảng chi tiết
no = “Ra máu” ” And Sụt
1. If Mồ hơi trộm về đêm
Ho = “Có” And Ho
2.

Cân Ra
= “Nhiều”
Then Mắc lao = “yes”.
máu
If Mồ hôi trộm về đêm = “Có”
Ra đởmAnd Ho = “Ra máu” ” And Sụt

3.

Cân = “ít” And Sốt = ”Cao” Then Mắc lao = “yes”.
no
cân về đêm = “Có”
If Mồ hơiSụttrộm
And Ho = “Ra máu” ” And Sụt
Cân = “Nhiều” And Sốt = ”Nhẹ” And Đau ngực = ”yes” Then

4.

Mắc
lao = “yes”.

Nhiều
If Mồ hôi trộm Ítvề đêm = “Có” And Ho = “Ra máu” ” And Sụt
yes = “Nhiều” And Sốt = ”Nhẹ” And Đau ngực = ”Không” And
Cân
Sốt

5.

Sưng hạch = ”Nhỏ” Then Mắc lao = “yes”.
If Mồ hơi trộm về đêm = “Có” And Ho = “Ra máu” ” And Sụt
Cao

Nhẹ

Cân = “Nhiều” And Sốt = ”Nhẹ” And Đau ngực = ”Không” And
6.
7.

yes
Ngực Mắc
j=== lao = “no”.
Sưng hạch
= ”To”Đau
Then
If Mồ hôi trộm về đêm = “Không” Then Mắc lao = “no”.
If Mồ hôi trộm về đêm = “Có” And Ho = “Ra Đờm” Then Mắc
Có

Khơng

lao = “no”.

Sưng hạch

yes

To

Nhỏ

no

yes

18


3.4.2 Giao diện

Hình 2. Giao diện khi bắt đầu chạy chương trình

Hình 3. Giao diện khi bấm nút “đọc dữ liệu” chương trình

19


Hình 4. Giao diện khi bấm nút “chạy thuật tốn” chương trình
3.4.3 Chương trình
Hàm tính Entropy:
Cơng thức:

Entropy (S) = - p+ log2 p+ - p- log2 pCode:
private double GetEntropy(int Positives , int Negatives)
{
if (Positives == 0)
return 0;
if (Negatives == 0)
return 0;
double Entropy;
int total = Negatives + Positives;
double RatePositves = (double)Positives / total;
double RateNegatives = (double)Negatives / total;
Entropy = -RatePositves * Math.Log(RatePositves, 2) RateNegatives * Math.Log(RateNegatives, 2);
return Entropy;
}

20


Hàm tính Gain:
Cơng thức:
Gain(S, A) = Entropy(S) - Entropy (Sv)
Code:
private double Gain(Listbestat)
{
double result;
int CountPositives = 0;
int[] CountPositivesA = new int[A.Value.Count];
int[] CountNegativeA = new int[A.Value.Count];
int Col = Attributes.IndexOf(A);

for (int i = 0; i < A.Value.Count; i++)
{
CountPositivesA[i] = 0;
CountNegativeA[i] = 0;
}
for (int i = 0; i < Examples.Count; i++)
{
int j = A.Value.IndexOf(Examples[i][Col].ToString());
if (Examples[i][Examples[0].Count - 1]=="yes")
{
CountPositives++;
CountPositivesA[j]++;
}
else
{
CountNegativeA[j]++;
}
}
result = GetEntropy(CountPositives, Examples.Count CountPositives);
for (int i = 0; i < A.Value.Count; i++)
{
double RateValue = (double)(CountPositivesA[i] +
CountNegativeA[i]) / Examples.Count;

21


result = result - RateValue * GetEntropy(CountPositivesA[i],
CountNegativeA[i]);
}

Solution = Solution + "\n * Gain(" + bestat + "," + A.Name + ")
= " + result.ToString();
return result;
}
Hàm chọn đặc tính tốt nhất:
Phương pháp:
Dựa vào giá trị gain của các đặc tính, đặc tính nào có Gain lớn nhất.
 Chọn đặc tính đó – đặc tính tốt nhất.
Code:
private Attribute GetBestAttribute(ListList<Attribute> Attributes, string bestat)
{
double MaxGain = Gain(Examples, Attributes[0], bestat);
int Max = 0;
for (int i = 1; i < Attributes.Count; i++)
{
double GainCurrent = Gain(Examples, Attributes[i], bestat);
if (MaxGain < GainCurrent)
{
MaxGain = GainCurrent;
Max = i;
}
}
return Attributes[Max];
}
Hàm thực hiện giải thuật ID3:
Giải thuật:
ID3_algorithm(Training_Set, Class_Labels, Attributes)
Tạo nút Root của cây quyết định
If tất cả các ví dụ của Training_Set thuộc cùng lớp c

22


Return Cây quyết định có nút Root được gắn với (có nhãn) lớp c
If Tập thuộc tính Attributes là rỗng
Return Cây quyết định có nút Root được gắn với nhãn lớp ≡
Majority_Class_Label(Training Set)
A ← Thuộc tính trong tập Attributes có khả năng phân loại “tốt nhất” đối
với Training_Set
Thuộc tính kiểm tra cho nút Root ← A
For each Giá trị có thể v của thuộc tính A
Bổ sung một nhánh cây mới dưới nút Root, tương ứng với trường hợp: “Giá
trị của A là v”
Xác định Training_Setv = {ví dụ x | x ⊆ Training_Set, xA=v}
If (Training_Setv là rỗng) Then
Tạo một nút lá với nhãn lớp ≡ Majority_Class_Label(Training_Set)
Gắn nút lá này vào nhánh cây mới vừa tạo
Else Gắn vào nhánh cây mới vừa tạo một cây con sinh ra bởi
ID3_algorithm(Training_Setv, Class_Labels, {Attributes \ A})
Return Root
Code:
private TreeNode ID3(ListAttribute,string bestat)
{
if (CheckAllPositive(Examples))
{
return new TreeNode(new Attribute("Yes"));
}
if (CheckAllNegative(Examples))

{
return new TreeNode(new Attribute("No"));
}
23


if (Attribute.Count == 0)
{
return new TreeNode(new
Attribute(GetMostCommonValue(Examples)));
}
Attribute BestAttribute = GetBestAttribute(Examples, Attribute,
bestat);
int LocationBA = Attributes.IndexOf(BestAttribute);
TreeNode Root = new TreeNode(BestAttribute);
for (int i = 0; i < BestAttribute.Value.Count; i++)
{
Listfor (int j = 0; j < Examples.Count; j++)
{
if (Examples[j][LocationBA].ToString() ==
BestAttribute.Value[i].ToString())
Examplesvi.Add(Examples[j]);
}
if (Examplesvi.Count==0)
{
return new TreeNode(new
Attribute(GetMostCommonValue(Examplesvi)));
}
else

{
Attribute.Remove(BestAttribute);
Root.AddNode(ID3(Examplesvi,
Attribute,BestAttribute.Value[i]));
}
}
return Root;
}

24


KẾT LUẬN
Hệ chun gia mơ hình hóa cách lập luận của con người với mô
dun động cơ suy diễn. Hệ chuyên gia chứa động cơ suy diễn để tiến
hành các suy diễn nhằm tạo ra các tri thức mới dựa trên các sự kiện, tri
thức trong vùng nhớ làm việc và tri thức trong cơ sở tri thức.
Bài tập lớn của nhóm 9 chưa đi sâu tìm hiểu về các triệu chứng cửa
căn bệnh lao phổi nhưng cũng đủ trực quan về cách xây dựng một
chương trình hệ chuyên gia đầy ý nghĩa, giúp chuẩn đốn một cách
thơng minh và hiện đại về căn bệnh lao phổi.
Bằng sự góp sức của các thành viên và sự hướng dẫn nhiệt tình của
giáo viên, chúng em đã tạo ra một sản phẩm nhỏ, đơn giản và thực tế.
Trong thời gian làm việc nhóm cùng nhau, tinh thần đồng đội của chúng
em được nâng cao. Cảm ơn cthầy vì đã hết lịng giúp đỡ chúng em.
Xin chân thành cảm ơn!

25