当前位置：文档之家 › 关联规则在大学课程实验效果分析中的应用

关联规则在大学课程实验效果分析中的应用

  • 格式：pdf
  • 大小：208.75 KB
  • 文档页数：3
课 程 实 验从 而达 到 提 高 教 学 质 量 目的
（ ） 验 成 绩 的数 据 收 集 １实 学 生 实 验 成 绩 数 据 的收 集 主要 完成 的任 务 不 仅仅
１ 基 于Ａ ｒ ｒ 课 程 实 验效 果分 析 ｐｉ ｉ ｏ的
是 收 集 大学 生 的 各 门 课 程 的 实 验 成 绩 同时 还 要 确 定 进
教 学 Ｔ作 中 不应 当 是 附 属 的 ．而应 该 有 它 自己 独 立 的 位 置 随着 课 程 实 验 教 学 改 革 的逐 步 推 进 ． 育 教 学 部 教 门 对 实验 室 的管 理 和建 设 提 出 了新 的要 求 本 研 究 以 ２０ 年陕西 省普通 本科 高 等学 校教 学改 革 研究 项 目 ０９ 《 级 实 验 教 学 示 范 中 心 实 验 教 学 改 革 体 系 构 建 及 信 省 息 管 理 系 统 实 现 》 西 安 建 筑 科 技 大 学 ２ ０ — ０ ０ 度 和 ０９ ２ １年
户 有 价 值 的 知 识 。 数 据 挖 掘 主 要 由数 据 预 处 理 、 据 数
集 成 、 征 选 择 、 据 变 换 、 识 发 现 、 式 评 估 、 识 特 数 知 模 知
可 以培 养 和 提 高 学 生 分 析 问题 、解 决 问 题 的综 合 应 用 能 力 除 此 之 外 大 学 课 程 实 验 也 是 完 成 大 学 教 育 中实
★ 基金 项 目： 西 省 普 通 本 科 高等 学校 教 学 改 革 研 究项 目（ ． Ｂ ２ ） 西 安 建 筑 科 技 大 ￣２０ ～ ０ ０ 度 校 级 教 育教 学改 革 重 点 陕 Ｎｏ０ Ｙ ６ ； ９ ０９２１年
生 实验 课 程 成 绩 数 据 库 中 的数 据 进 行 关 联 挖 掘 和科 学
的 分析 ．从 中 发 现 大 学 实 验 课 程 之 间 的相 互 影 响 的关 系 ， 大 学 教 师 和 教 学 管 理 工 作 者 提供 良好 的决 策 。 为 １１ 数 据 预 处 理 ． 学 生 实 验 成 绩 的 预处 理 阶段 是 对 实验 成 绩 进 行 数 据 挖 掘 的第 一 步 也 就 是 准备 阶 段 ．这个 阶 段 主 要 完 成 对 学 生 实 验 成 绩 数 据 的 收集 、成 绩 数 据 的 清 洗 和 成 绩
＼ ＼ ＼
、 、 －＿ ＿＿－＿＿ ＿ １— ＿ ＿＿。，。＿ ＿＿＿＿＿ ＿ｎ－＿ ————— Ｊ＿＿＿＿ ＿＿＿＿＿ ＿＿＿－— ，—— Ｊ Ｊ＿ｕ＿ ＿＿＿＿＿＿ ＿＿ｎｒ＿ ＿ ——— ——ＪＪ ．一 — — 一 —— 一
实践 与 经 验
— — — — 一 一
关 联 规 则在 大 学课 程 实验效 果分 析 中的应 用 ★
巩 固 学 生对 所 学 的相 关 课 程 理 论 知识 的 理解 ．而且 还
ｏ ｌｄｅＤｓｏｅｙＩ ａ ｂｓ ． Ｄ ） 其 主 要 研 究 工 作 ｗｅ ｇ ｉ ｖｒ ｎＤ ｔ ａｅ Ｋ Ｄ ． ｃ ａ
就 是 从 海 量 、纷 繁 复 杂 的数 据 中抽 取 出或 者 找 到 对 用
践 环 节 的 一个 重要 途径 ．所 以 大学 课 程 实 验 在 大 学 的
表 示 等 七 个 基 本 过 程 组 成 数 据 挖 掘 属 于数 据 库 研 究 的 一 个 重 要 的 分 支 ． 要 研 究 的技 术 包 括 ： 念 ／ 描 主 概 类
述 、Ｌ Ｐ 术 、 联 规则 、 类预测 、 ＯＡ技 关 分 聚类 分 析 、 性 归 定
校 级 教 育 教 学 改 革 研 究 重 点 项 目（ Ｊ ５ ４ ） 研 究 背 ０ ００ ０ 为
纳 、 立 点 分 析 、 变 分 析 等 ． 中 关 联 规 则 技 术 是 一 孤 演 其
种 实 际 应 用 范 围最 广 、 用 频 率 最 多 的 数据 挖 掘 技 术 。 使 本 研 究 ｐｉ ｉ ｏ算
关键 词 ：课 程 实验 ； 果 分 析 ； 据 挖 掘 ；关联 度 分 析 效 数
０ 引
言
数 据挖 掘 （ ａａＭｉｉｇ Ｄ ３ 被称 为 知识 发 现 （ － Ｄ ｔ ｎｎ ， Ｍ）７ ， Ｋｎ
大 学 课 程 实 验 是 我 周 普 通 高 等 教 育 巾一 个 非 常 关 键 的 环节 ，课 程 实 验 的作 用 不 仅 仅 表 现 在 能 够 加 深 和
数据 的 离散 化 ｉ个 任 务
景 ．着 重 研 究 数 据 挖 掘 中 的关 联 规 则 技术 在 分 析 海 量 的 学 生课 程 实验 成 绩 中 的应 用 ．通 过 数 据 挖 掘 的关 联
理 论 分析 技术 建 立 大学 生 课 程 实验 成 绩 的效 果分 析 模 型 ，帮 助 教 师 全 面 地 分 析 学 生 各 门 课 程 实 验 的成 绩 从 中发 现 它 们 之 间 的相 互 关 联 ．有 针 对 性 地 指 导学 生 的
张 翔 ， 董 丽 丽１ ． 王 茹
（ ． 安 建 筑 科技 大学 信 息 与 控 制 ＝ 学 院 ，西 安 ７１ ０ ５ ． 安 建 筑 科 技 大 学 土 木 工 程 学 院 ，西 安 ７１ ０ ５） １西 ｒ程 ０ ５ ；２西 ０５
摘
要 ：课 程 实验 是 大 学 教 学 中 非 常 重 要 的 一 环 ， 师 需 要 全 面 地 分 析 学 生 实验 成 绩 从 中发 现 规 教 律 才能 科 学 地 进行 实验 教 学 。 用 数 据 挖 掘 中的 关 联规 则技 术 建 立 大 学课 程 实验 效 果 分 析 运 模 型 ， 学 生课 程 实验 成 绩 进行 关联 度分 析 。 对 实验 证 明该 分 析 模 型 的 分 析 方 法是 可信 、 效 有 的 ， 帮 助 教 师 有 针 对 性 的 指 寻 学 生 实验 具 有 一 定 的 现 实意 义 。 对

合集下载

应用 关联规则

应用 关联规则


2 关联规则算法（Apriori算法）
2.1 概念介绍 项集：一个数据项的集合； K项集：一个包含k个数据项的项集； 项集频度：整个交易数据库D中，包含该项集的交易 记录数,也称为该项集的支持度。 频繁项集：满足最小支持度的项集。

若一个项集的出现频度大于最小支持度阈值乘以交易记 录集D中的记录数，就称该项集满足最小支持度阈值；满足 最小支持度阈值所对应的交易记录数称为最小支持频度。
注: 支持度=项集频度
选择有且只有一个相同元素的两个2_项频繁集进 行连接,生成3_项候选集是{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}, {I1, I2, I4}, 如果一个项集是频繁的， 则它的所有子集也是频 繁的。所以只考虑{I1, I2, I3}, {I1, I2, I5}.
返回
2.2 Apriori算法



Apriori算法是一个基于两阶段频繁项集的数据 挖掘方法,将关联规则挖掘算法分为两部分:一 是找到所有支持度大于最小支持度的项集,称为 频繁项集,二是使用第一步找到的频繁项集产生 期望规则. Apriori算法的性质：如果一个项集是频繁的， 则它的所有子集也是频繁的。 首先，给定最小支持度及最小可信度。
5 结语

高等学校学生信息量巨大，运用关联规 则挖掘算法进行数据挖掘，能够得到很多 有价值的信息，挖掘出的规则对教务人员 以及教师具有重大意义。举一反三，如果 从其他信息中能够挖掘出更多的规则，例 如个人成绩与班级、专业之间的关系；个 人成绩与家庭、地域之间的关系等，必然 对教学工作起到积极的指导作用。
关联规则实验报告

关联规则实验报告

2. 转换数据test.csv为testuse.csv以便进行关联分析。

4. 查看导入的数据a)点击节点选项卡“输出”，双击“表格”节点b)右键点击“testuse.csv”节点，选择“Connect”选项，单击“Table”（在两个节点中产生一个箭头，从“testuse.csv”指向“Table”节点。

）5. 对数据进行清洗a)选择节点选项卡的“字段选项”，把“类型”节点拖入数据流区域。

b)连接“testuse.csv”节点和“类型”节点c)双击数据流区域中的“类型”节点，单击“读取值”按钮d)把其他行的“方向”的值改为“双向”6. 使用Apriori节点分析a)双击“建模”选项卡的“Apriori”节点b)连接“类型”节点与“Apriori”节点(箭头指向“Apriori”节点)7. 查看挖掘结果a)左键单击管理器的“模型”选项卡，右键点击第5部执行以后出现的模型图标b)选择“浏览”，弹出图表c)查看结果质合比3:3 和奇偶奇偶比3:3100%8. 提升a)双击“Apriori”节点，弹出选项界面，修改参数b)选择“模型”选项卡修改参数质合比1:5 和奇偶和大小奇偶比1:5关联规则分析方法原理算法优点缺点适用范围逐层搜索的迭代算法，k-项集用于探索（k+1）-项集。

连接，减枝两步走。

首先，通过扫描数据集，产生一个大的候选数据项集,并使用候选项集找频繁项集Apriori算法效率高1．多次扫描事务数据库，需很大的I/O负载。

2.单维、单层、布尔关联规66．667%。

关联规则分析

关联规则分析

关联规则分析概述关联规则分析是一种数据挖掘技术，主要应用于寻找事物之间的关联关系。

它的目的是发现其中的隐藏规律和模式，以便进行更准确的预测和分析。

在商业上，这个技术可以用于市场分析、销售预测、广告推销等方面。

在医学上，它可以用于病例分析、药物效果评估等方面。

在社会学和心理学领域，它可以用于认知机制的研究、交际方式的研究等方面。

定义关联规则分析主要是通过发现数据集中的频繁项集和关联规则来发现事物之间的关联关系。

所谓频繁项集指的是在数据集中出现次数达到一定数量的项的集合。

而关联规则则是指一种条件分布规律，表示在同时出现一组项的情况下，另一组项同时出现的概率。

举个例子，假如我们有一个超市的购物清单数据集，其中每一条购物记录表示一个人买了哪些商品。

通过分析这个数据集，我们可以得到很多与这些商品有关的关联规则。

比如，如果有人买了牛奶和面包，那么他们可能更可能买了黄油；如果有人买了牛奶和饼干，那么他们可能更可能买了糖果。

应用关联规则分析可以应用于很多领域，包括商业、医疗、社会科学和生物学等等。

下面以商业为例，简单介绍一下如何应用关联规则分析来提高营销效率。

首先，通过分析历史销售数据，我们可以得到很多不同的商品之间的关联规则。

比如，在超市里卖纸巾的同时也卖香烟，这两者之间可能存在很强的关联。

然后，我们可以将这些关联规则编码成算法，让计算机根据这些规则来自动推荐商品。

举个例子，假如我们现在要向某一位顾客推荐一些商品。

根据历史销售数据，我们发现这位顾客通常会买牛奶、黄油和花生酱这三种商品。

那么，根据关联规则，我们可以推荐给他一些与这三种商品相关联的商品，比如面包、果酱和饼干等等。

结论关联规则分析是一种非常有用的数据挖掘技术，可以帮助我们发现事物之间的关联关系，并根据这些关系来进行更精准的预测和分析。

它可以应用于商业、医疗、社会科学和生物学等领域，可以帮助我们提高营销效率、改进医疗手段、深入了解社会机制和生物学中的相关问题等等。

基于关联规则挖掘的高校成绩分析研究

基于关联规则挖掘的高校成绩分析研究

基于关联规则挖掘的高校成绩分析研究摘要：本文通过对本校某年级学生成绩进行分析，主要应用数据挖掘中的关联规则和apriori算法，挖掘出一些合理的课程关联规则，将这些规则运用到教学管理中，可以指导学生选课和合理的设置课程，为高校的教学管理提供参考。

关键词：数据挖掘；关联规则；成绩管理中图分类号：tp311.13努力提高学生的成绩和学生素质是每一所高校的目标，随着高校的办学规模的扩大、办学层次多样化，随着社会的发展，影响学生学习成绩的因素也越来越多，学生成绩分析就更加重要。

目前教务管理系统中收集了大量的学生成绩数据，管理者大都采用传统的统计报表形式，对这些数据的处理还停留在数据录入、简单的数据备份和查询阶段，有很大的局限性。

数据挖掘技术在许多领域，如商业、金融业以及企业的生产、市场营销等一些盈利行业都得到了广泛的应用，但在非盈利行业教育领域的应用相对还较少，将数据挖掘技术引入到教务管理信息系统中，对教务管理系统中的学生成绩数据进行分析，从大量数据存在的关系、规则中研究学生成绩，预测成绩发展趋势，从而能够更好地指导教师排课和学生选课，对学生管理工作有的放矢，提高授课和学习效果能起到非常重要的作用。

本文主要使用数据挖掘技术中的关联规则进行高校学生成绩分析，以找出课程之间的关联关系，指导学生选课和合理的设置课程。

1 数据挖掘关联算法1.1 数据挖掘数据挖掘是一个应用数据分析工具从大量数据中发现以前未知的和隐蔽的信息，以及数据之间关系的研究领域。

这些工具包括统计模型，数学算法和机器学习方法。

综合了多学科内容的数据挖掘，把原来对知识的简单应用，比如学生成绩的操作及简单查询等方面扩展到了对知识信息的深度提取运用，比如从现有的学生信息数据库中挖掘对学生成绩有影响的属性信息，帮助学校合理调整教学计划，提高教学质量。

出于对此类应用的需求，使数据挖掘这门前沿学科吸引了各个领域的研究者。

数据挖掘的目标是从数据库中发现隐含的、有意义的知识，主要有自动预测趋势和行为、关联分析、聚类、概念描述（决策树方法、遗传算法）及偏差检测。