数据挖掘在大学英语成绩预测中的应用研究

"数据驱动学校,分析变革教育"[1]的大数据时代已经来临,数据挖掘这一技术在教育行业随之诞生。随着社会对英语的应用日益增加,英语学习日益重要,大数据及数据挖掘技术在英语教学与学习中的应用与研究将成为新的发展趋势。本研究是基于大学英语技能训练系统产生的教学数据进行的挖掘分析,选取和学生成绩相关的数据作为特征,以学生考试成绩为目标,运用GBDT模型进行模型训练,实现了学生成绩的预测,经过评估、分析发现用数据挖掘技术可以比较准确的预估学生成绩,验证了数据挖掘技术在大学英语学习中的应用,以及GBDT模型对结果预测的影响,对学生学习和教师教学有很大的指导作用和使用价值。     

数据挖掘技术在学生成绩分析中的应用

数据挖掘技术应用广泛。该文采用数据挖掘技术对我院学生成绩进行了分析,并探讨了其原因。     

决策树技术在高职院校学生成绩分析中的应用研究

该文通过介绍数据挖掘的概念和决策树分类方法,论述了ID3算法的基本思想和实现方法,并用该算法对高职院校学生成绩进行分析,建立基于决策树技术的学生成绩分析应用研究模型。通过该模型分析,找出了影响学生成绩的潜在因素,为提高教学质量提供参考依据。     

数据挖掘技术在高校学生成绩分析中的应用

本文首先介绍了数据挖掘技术对高校学生成绩分析的意义与目标,在此基础上对目前常用的挖掘算法进行了分析与研究,最后以粗糙集算法为例实际介绍了学生成绩数据挖掘实例。     

数据挖掘技术在学生成绩分析中的应用

数据挖掘是数据的深层次分析方法。将数据挖掘技术应用于学生成绩分析,可以发现学生成绩内在的特性和隐藏的状况。运用标准化数据预处理、数据聚类算法等一系列数据挖掘方法,对比传统的排序,提出了学生成绩分析的一些新思路,为发现问题、调整教学策略、有效提升成绩提供数据支撑。     

基于教育数据挖掘的学生自主学习成果分析——以辽宁生态工程职业学院为例

互联网时代的到来引起了科技变革,教育数据挖掘技术便是其中之一。当前教育数据挖掘已受到众多学者的关注,如何应用数据挖掘技术提高教学质量,提升自主学习效率,成为各界学者关注的课题。基于此,通过分析教育数据挖掘的国内外研究现状,以辽宁林业职业技术学院为例,设计基于教育数据挖掘的高职学生自主学习研究思路。通过非线性分析方法,分析高职学生自主学习成果,且确定运用更多信息技术,全面深入探讨学生自主学习成果,成为下一个研究目标。     

数据挖掘在计算机等级考试中的应用

将数据挖掘技术引入到计算机等级考试的成绩,详细分析和讨论计算机等级考试成绩分布情况,并通过数据挖掘技术挖掘出隐藏其中的,潜在有用的知识和信息,及时反馈到教师教学和学生学习中去,促进教育教学改革和发展。     

基于数据挖掘的英语四级成绩分析与预测

阐述了数据挖掘的概念和算法,重点介绍了线性回归算法,基于多元线性回归算法分析了影响大学英语四级的诸多因素。根据数据挖掘思想,收集历史数据并适当加以变换,使用统计分析技术对影响大学英语四级的诸多因素进行分析,得出了大学英语四级成绩与其影响因素之间的线性回归关系,拟合程度较高,可用于四级成绩预测,对学生学习和学校教学管理有很大的指导作用和使用价值。     

基于数据挖掘的英语四级成绩分析与预测

阐述了数据挖掘的概念和算法,重点介绍了线性回归算法,基于多元线性回归算法分析了影响大学英语四级的诸多因素。根据数据挖掘思想,收集历史数据并适当加以变换,使用统计分析技术对影响大学英语四级的诸多因素进行分析,得出了大学英语四级成绩与其影响因素之间的线性回归关系,拟合程度较高,可用于四级成绩预测,对学生学习和学校教学管理有很大的指导作用和使用价值。     

基于数据挖掘的成绩管理系统的研究与设计

本文通过分析现有成绩管理系统中的不足,提出采用类字段来进行成绩管理,以便大大减少数据库中表的数量和记录的数量。通过对成绩分析的相关研究,提出应用数据挖掘技术来进行学生成绩的分析,提高成绩分析水平。通过对决策树中SLIQ算法研究,将SLIQ算法应用到学生成绩分析中,让教师和学校教育决策者洞悉教学中存在的问题。     

决策树在计算机等级考试中的应用

江苏省计算机等级考试是由江苏省教育厅推行的一项考试制度,该考试越来越受到高校和学生们的重视. 首先基于历届学生的考试真实数据,应用信息熵和ID3算法构造决策树. 然后,提取分类规则,并通过计算规则的准确率与覆盖率对规则进行约简,从而挖掘出有价值的规则。最后利用该分类规则,预测学生能否通过等级考试。通过对历史数据进行仿真实验,表明决策树预测准确率高,能挖掘出影响学生通过等级考试的关键因素,对计算机等级考试课程教学有一定的指导作用.     

基于C4.5算法的学生成绩的研究与分析

该文探索研究应用C4.5决策树算法来分析高等职业院校的学生成绩的新方法,同时建立起一个学生成绩分析决策树模型,完整地展现了学生成绩分类挖掘的全过程;并以广州工程技术职业学院的学生成绩管理系统的学生成绩数据为实例,运用Java编程语言开发了一个基于C4.5算法的学生成绩分析系统,以合理调整教学服务过程中出现的问题,提高管理效率与教学质量,全面促进学生的素质发展,提高高等职业院校的综合办学能力和核心竞争力。     

数据仓库和数据挖掘在高校决策支持中的应用研究

运用高校学生成绩、学籍等相关数据,创建高校学生成绩分析的数据仓库,运用ID3算法实现基于学生成绩等级的决策树挖掘模型的构建,由决策树提取分类规则,并利用Analysis Services工具进行挖掘验证.     

决策树算法在大学生心理健康测评系统中的应用

决策树是非常流行的数据挖掘方法.介绍了决策树的理论,分析了决策树的构造,讨论了C5.0算法的思想及其优缺点,同时为深入了解影响大学生心理健康的主要心理症状及因素,将C5.0算法应用于大学生心理健康测评数据,根据挖掘结果可以更深入的了解学生心理健康问题,为高校开展好大学生心理健康教育有着现实的意义.     

SPSS Clementine决策树建模在图书馆中的应用

分析影响读者借阅量的因素,确定不同读者的借阅需求,进而依据需求定制差异化的借阅权限和服务。利用SPSS Clementine挖掘工具,采用C5.0决策树算法,对国际关系学院图书馆的读者借阅数据进行挖掘,建立读者决策树分类模型,将读者按借阅频度分为活跃读者、一般读者和沉默读者。结果表明,读者身份、专业、年级和性别对借阅量有重要影响,本科大三学生借阅需求较大,大四学生借阅需求小。决策树分类能对图书馆读者进行细分,可为调整读者借阅权限提供理论依据。     

基于多策略的学生成绩挖掘与分析

通过对数据挖掘技术的相关分析与比较,提出了多策略的设计思路,将数据挖掘与统计分析相结合,从海量成绩数据中提取隐藏于其中的有用信息,从而科学指导教学,提高教学管理水平。多策略是指:采用基于决策树的分类方法,对学生成绩库中数据进行挖掘,生成学生成绩决策树,能直观显示出某一成绩在不同等级计算方式所处的位置,为教学部门提供评价信息;同时采用基于总结规则的统计分析方法,完成不同情况下的成绩查询及对比分析,实现学生成绩分析报告、试卷质量评价报告及质量分析表的自动生成。应用该系统后将改进工作效率,提高教学质量。     

决策树算法在大学生心理健康评测中的应用

近年来,由大学生心理疾病引发的各种社会问题频发,把数据挖掘技术引入大学生心理健康状况的诊断研究具有其他技术不可比拟的优势,它能挖掘事物中隐含的规律。对决策树C4.5算法的原理进行阐述,并通过C4.5建立一个心理健康评估模型,构造决策树,由提取规则对心理健康进行预测。实验结果表明,该算法能将学生心理健康进行正确分类。挖掘结果能指导心理健康教育工作者制定正确的辅导计划,对辅助决策有很好的帮助。     

Inducing decision trees with an ant colony optimization algorithm

Decision trees have been widely used in data mining and machine learning as a comprehensible knowledge representation. While ant colony optimization (ACO) algorithms have been successfully applied to extract classification rules, decision tree induction with ACO algorithms remains an almost unexplored research area. In this paper we propose a novel ACO algorithm to induce decision trees, combining commonly used strategies from both traditional decision tree induction algorithms and ACO. The proposed algorithm is compared against three decision tree induction algorithms, namely C4.5, CART and cACDT, in 22 publicly available data sets. The results show that the predictive accuracy of the proposed algorithm is statistically significantly higher than the accuracy of both C4.5 and CART, which are well-known conventional algorithms for decision tree induction, and the accuracy of the ACO-based cACDT decision tree algorithm.     

An Efficient Algorithm for Generating Generalized Decision Forests

A shortcoming of univariate decision tree learners is that they do not learn intermediate concepts and select only one of the input features in the branching decision at each intermediate tree node. It has been empirically demonstrated that cascading other classification methods, which learn intermediate concepts, with decision tree learners can alleviate such representational bias of decision trees and potentially improve classification performance. However, a more complex model that fits training data better may not necessarily perform better on unseen data, commonly referred to as the overfitting problem. To find the most appropriate degree of such cascade generalization, a decision forest (i.e., a set of decision trees with other classification models cascaded to different degrees) needs to be generated, from which the best decision tree can then be identified. In this paper, the authors propose an efficient algorithm for generating such decision forests. The algorithm uses an extended decision tree data structure and constructs any node that is common to multiple decision trees only once. The authors have empirically evaluated the algorithm using 32 data sets for classification problems from the University of California, Irvine (UCI) machine learning repository and report on results demonstrating the efficiency of the algorithm in this paper.