發(fā)布時間：2020-03-19 18:56

【摘要】：隨著我國教育的飛速發(fā)展,高等教育已經(jīng)逐漸普遍化,大學生數(shù)量日益增長。然而學生在校期間的表現(xiàn)參差不齊,每年都有部分學生出現(xiàn)不及格、留級、退學等現(xiàn)象。為提高學生的學習質量、降低教學管理的難度,本文借助數(shù)據(jù)挖掘手段對學生在校期間的成績數(shù)據(jù)進行分析,尋找影響學生成績的因素。挖掘結果能夠為學生提供有針對性的指導,并為教學方法的調整和改進提供有效的信息。本文利用本校09-11級通信工程專業(yè)學生的成績數(shù)據(jù),針對成績數(shù)據(jù)離散化和關聯(lián)規(guī)則挖掘這兩個目標,深入的學習和研究了聚類算法和關聯(lián)規(guī)則挖掘算法,在傳統(tǒng)算法的基礎上完成了改進,并應用改進后的算法進行了多角度的成績關聯(lián)分析。主要研究內(nèi)容如下:1.用于成績數(shù)據(jù)離散化的聚類算法的改進研究。本文根據(jù)成績數(shù)據(jù)的分布特點和離散化要求,論述了現(xiàn)有離散化方法的缺點和不適用性。然后提出了基于樣本分布密度的初始聚類中心優(yōu)化和離群點預處理K-Means算法,給出了樣本密度、初始聚類中心域等參量的計算方法,并利用Calinski-Harabasz指數(shù)、輪廓系數(shù)等參數(shù)衡量了該算法與現(xiàn)有離散化方法的性能。2.引入興趣度的關聯(lián)規(guī)則挖掘算法研究。由于原始的關聯(lián)規(guī)則挖掘算法不能判斷規(guī)則的有趣性,本文研究了幾種常見的興趣度度量,采用了一種引入Conf(X(?)Y)修正的基于差異的興趣度度量。引入該興趣度度量的關聯(lián)規(guī)則挖掘算法能夠對規(guī)則的有效性和價值進行判斷。3.課程維度和學生維度的成績關聯(lián)分析。課程維度的關聯(lián)分析通過改進的聚類算法和改進的關聯(lián)規(guī)則挖掘算法在真實成績數(shù)據(jù)中的應用,驗證了算法的有效性,并以挖掘結果為依據(jù)分析了課程之間的關聯(lián)。學生維度的關聯(lián)分析利用了頻繁模式挖掘、改進的關聯(lián)規(guī)則挖掘、統(tǒng)計分析等方法,從多個角度討論了影響學生成績的因素。
【圖文】：

群［２４］％。聚類算法能夠識別空間中的點所形成的結構特征，，因此在探索性的模式逡逑分析、分組、決策等情景下具有很好的應用效果［２４］２６５，常被應用于信息檢索、圖逡逑像分割、語音識別和數(shù)據(jù)壓縮等研究方向。圖２－１展示了聚類算法對數(shù)據(jù)集的識逡逑別和劃分。逡逑＾邐Ｃｌｕｓｔｅｒｉｎｇ逡逑ｙｃ邋？逡逑：．５邋．邐？＂？？？？＊？？逡逑２．０邐？邋？邋？？“逡逑Ｉ邋呭逡逑．邐？邐？？邋■S肧肧茫甋緬義希埃板義希埃靛危蟈義希插危板危插危村危跺澹跺澹保板危保插義賢跡玻本劾嗨惴ㄥ義隙雜誥劾嗨惴ǖ難繡臣河屑甘甑睦貳Ｔ繚冢保梗罰茨輳牛觶澹潁椋簦艟透雋司坼義俠嗨惴ㄖ小按亍鋇暮澹和桓齟刂械氖堤迨竅嗨頻�，不同的簇中的实体是不相辶x纖頻模灰桓齟厥薔劾囁占渲腥舾傻愕募�，并且一庚e刂腥我飭降慵淶木嗬胍歡ㄥ義閑∮誆煌刂械娜我飭降慵淶木嗬耄灰桓齟乜梢員恍穩(wěn)菸桓齠轡占淠詰牧ㄥ義锨潁渲械牡憔哂邢嘍越細叩拿芏齲肫淥淖灞灰桓靄嘍緣兔芏鵲愕膩義锨蛩指艨郟保保蕁＞劾嗨惴ň褪歉菔蕕愕木嗬�、密度晃囙似性将数据俄嶓划辶x希峰義

本文編號：2590579