排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
网络教学平台日益普及,学生人数众多,师生之间沟通少,教师难以掌握学生学情。网络教学平台记录了详细的学生学习数据,这些数据是研究学生学习行为、帮助教师更好了解学生学习情况的重要素材。文章以网络教学平台上的"数据结构"课程为例,利用k-means聚类算法对选课学生的在线学习数据进行分析,将学生进行分类,刻画每类学生学习风格,分析学生成绩影响因素,从而改进教学方案。新教学方案使得更多学生参与到学习中,解决了学生视频观看不足、访问少、讨论少等问题,还可以为学生提供个性化教学,提高了学生学习成绩。 相似文献
2.
分类器评估一般采用准确性评估.理论证明,基于AUC方法评估分类器优于准确性评估方法,但该方法局限于二类分类问题.提出一种将二类分类问题推广到多类分类问题的新方法,用纠错输出码转换得到转换矩阵,通过转换矩阵把多类分类问题转换成二类分类问题,计算二类分类的平均值来评估分类器的性能.新方法在MBNC实验平台下编程实现,并评估贝叶斯分类器的性能,实验结果表明,这种方法是有效的. 相似文献
3.
贝叶斯网络结构学习是个NP难题。一种有效且准确性较高的学习算法是K2算法。但K2算法要确定结点次序,在无先验信息时受到很大限制。提出了一种启发式结构学习G算法,该算法以学习树扩展朴素贝叶斯TAN结构作为启发式信息,由该启发式信息生成结点次序,再用K2算法生成贝叶斯网络结构。实验结果表明,G算法可以解决无先验信息时确定结点次序的问题。所添加的弧比较简洁,网络结构比TAN结构更加合理。 相似文献
4.
文本分类是文本挖掘的基础与核心,分类器的构建是文本分类的关键,利用贝叶斯网络可以构造出分类性能较好的分类器.文中利用Matlab构造出了两种分类器:朴素贝叶斯分类器NBC,用互信息测度和条件互信息测度构建了TANC.用UCI上下载的标准数据集验证所构造的分类器,实验结果表明,所建构的几种分类器的性能总体比文献中列的高些,从而表明所建立的分类器的有效性和正确性.笔者对所建构的分类器进行优化并应用于文本分类中. 相似文献
5.
用Matlab语言建构贝叶斯分类器 总被引:2,自引:1,他引:2
文本分类是文本挖掘的基础与核心,分类器的构建是文本分类的关键,利用贝叶斯网络可以构造出分类性能较好的分类器。文中利用Matlab构造出了两种分类器:朴素贝叶斯分类器NBC,用互信息测度和条件互信息测度构建了TANC。用UCI上下载的标准数据集验证所构造的分类器,实验结果表明,所建构的几种分类器的性能总体比文献中列的高些,从而表明所建立的分类器的有效性和正确性。笔者对所建构的分类器进行优化并应用于文本分类中。 相似文献
6.
数据挖掘技术是日前广泛研究的数据库技术.它可以从大量的数据中提炼出有用的潜在的信息,人们可利用这些信息改进工作,提高效率.介绍了数据挖掘中关联规则挖掘算法的基本概念、思想、步骤及当前的一些算法,并在此基础上改进Apnori算法,研究分析了某市儿童意外伤害数据的主要特点,以及造成儿童意外伤害的主要危险因素.在对挖掘的结果进行分析后,提出预防意外伤害的措施.描述了关联规则挖掘在此类调查中的应用、发展及存在的问题. 相似文献
7.
分类是数据挖掘领域研究的核心技术之一,分类器性能评估方法也是众多学者的研究热点之一。以往的分类器性能评估方法一般针对于单标签数据集,对于多标签问题并未涉及。文中主要针对多标签分类问题中的单实例情况,提出了一种多标签分类器准确性评估方法(EMOSIML)。该方法的思路是:如果分类器对一个多标签对象预测的类别标签是其属于的多个类别标签中的任何一个,则分类结果都是正确的。该方法用C#编程实现,并对朴素贝叶斯分类器进行分类器性能评估实验,实验结果表明,EMOSIML评估方法较传统的准确率评估方法更合理。 相似文献
8.
9.
TANC-BIC结构学习算法 总被引:1,自引:2,他引:1
树扩展朴素贝叶斯分类器(TANC)是应用较广的一种贝叶斯分类器。TANC的分类性能优于朴素贝叶斯分类器(NBC)。现有的TANC结构学习算法是基于相关性分析的,采用互信息测度。贝叶斯信息测度(BIC)在基于打分和搜索的贝叶斯网络结构学习中取得了成功,文中用BIC测度来衡量属性结点之间的相关性,提出了一种新的TANC-BIC结构学习算法。在MBNC实验平台上编程实现了TANC-BIC算法,用分类准确率衡量算法的性能。实验结果表明,TANC-BIC算法是有效的。 相似文献
10.
朴素贝叶斯分类器是一种简单而高效的分类器,但需要属性独立性假设,无法表示现实世界中属性之间的依赖关系,影响了其分类性能.利用独立分量分析提升朴素贝叶斯分类性能,把样本投影到由独立分量所确定的特征空间,提高了朴素贝叶斯分类器的分类性能.实验结果表明,这种基于独立分量分析的朴素贝叶斯分类器具有良好的性能. 相似文献