使用关联规则挖掘高校教学评价数据

以高校教学评价数据为基础,采用数据挖掘中的关联规则,寻找教学评价数据背后隐含的有价值的信息。从教学评价表中挖掘出教师特征因素（学历、职称、教龄）与教学评价质量等级的关联,从而为教学管理部门和授课教师提供决策参考。     

关联规则挖掘理论及其应用研究

关联规则是数据挖掘的重要概念,其应用研究是目前数据挖掘研究的热点之一。本文针对目前学校教学评价中因缺乏有效、科学的方法而造成的不合理问题,为了解决这些问题,在查阅大量资料,并通过教学评价数据的有效挖掘,运用关联规则挖掘理论技术,构建教学评价新模式,从而使教学评价公平、公正、合理和高效,并通过实例阐述其在教学评价中应用的重要性。     

基于关联规则的交通事故影响因素的挖掘

道路交通安全是一个公共的安全问题,每年因交通事故死亡的人数在所有安全事故导致的总死亡人数中占比最高。随着大数据智能分析技术的发展,广泛利用交通数据朔源事故原因,有利于提出针对性措施,预防交通事故的发生。文中针对导致交通事故的原因具有多样性的特点,提出利用交通事故的相关新闻数据,广泛结合新闻报道具有的 真实性和时效性特点来进行交通事故因素及责任的分析。以新浪网站交通事故新闻为数据源,从新闻事件中提取引发交通事故的相关因素。针对经典Apriori只适用于单一维度的关联挖掘以及需要频繁扫描数据库的缺点,提出了改进的多值属性Apriori算法。以省市为关注点,挖掘出导致事故发生的多种组合因素,由此总结出省市多发交通事故的规律,并提供给有关部门作为采取预防和监管措施的依据。     

基于关联规则的教学质量评价

利用关联规则的Apriori算法对我院艺术专业教师基本数据和历年教学检查数据进行数据挖掘和分析,发掘出影响教学质量的关键因素,为我院教师队伍建设和优秀人才的引进提供科学、可靠的指导.     

关联规则在教学评价数据挖掘中的应用

以往的教学评价系统缺乏综合分析、辅助决策的能力,无法充分利用海量信息中隐藏的知识。本文对教学评价产生的数据进行关联规则方面的深入研究,从而发掘出若干有趣规则,为教学管理提供决策性的支持：     

关联规则挖掘理论及其应用研究

关联规则是数据挖掘的重要概念,其应用研究是目前数据挖掘研究的热点之一.本文针对目前学校教学评价中因缺乏有效、科学的方法而造成的不合理问题,为了解决这些问题,在查阅大量资料,并通过教学评价数据的有效挖掘,运用关联规则挖掘理论技术,构建教学评价新模式,从而使教学评价公平、公正、合理和高效,并通过实例阐述其在教学评价中应用的重要性.     

基于约简数据集的关联规则挖掘策略

原始数据集中含有大量噪声数据,且数据的规模很大,直接进行关联规则挖掘会影响准确度和效率。文章提出了一种对原始数据先进行聚类,再提取关联规则的挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,提高规则挖掘的有效性。     

基于关联规则的移动通信业务间关联的分析

利用数据挖掘中的关联规则发现技术设计并实现了一个移动业务关联规则发现系统,通过对实验结果进行分析,系统能够根据用户的参数设置自动发现移动通信业务之间的相关性和规律,并界面友好地显示给用户。帮助移动通信行业的决策者发现当前各业务之间的联系,从而有针对性地实施点对点营销,达到增收的目的。     

基于遗传算法的关联规则挖掘分析

本文基于遗传算法的思想,并结合关联规则挖掘的要求与特点,提出了一个基于遗传算法的关联规则挖掘方法,通过实例,分析给出了详细的利用遗传算法挖掘关联规则的实现方法,并提出双层循环结构,利用基因重组、一致变异以及自适应参数的手段调整遗传算法进行数据挖掘,以此证明利用这个模型来发现关联规则是可行的、有效的.最后指出遗传算法的特点和基于遗传算法的关联规则挖掘技术的前景.     

关联规则挖掘在高校教学评价中的应用

将数据挖掘中关联规则应用到高校教学评价中,寻找教学评价数据背后隐含的有价值的信息.利用改进的Apriori算法挖掘评教数据,从大量的评教数据中发现数据间的关联.通过实例分析,结果发现了评价等级与教师的学历、职称、教龄、科研能力之间的关联.分析并利用这些关联规则,既可以提高授课教师的教学水平,又可以为教学管理部门的提供决策参考,从而提高教育教学质量.     

数据挖掘在青海大学教学评估中的应用

数据挖掘技术是从海量数据中得到有价值的信息,关联规则挖掘是应用最广泛的数据挖掘方法之一。本文介绍了在高校现代化的管理中,如何积累大量的数据和信息,以便应用数据挖掘技术得到相关管理决策的信息和参考。     

基于免疫原理的模糊关联规则挖掘算法

提出一种基于免疫原理的人工免疫算法,用于模糊关联规则的挖掘.该算法通过借鉴生物免疫系统中的克隆选择原理来实施优化操作,它直接从给出的数据中,通过优化机制自动确定每个属性对应的模糊集合,使推导出的满足条件的模糊关联规则数目最多.将实际数据集和相关算法进行性能比较,实验结果表明了所提出算法的有效性.     

图像数据高置信度关联规则的提取方法研究

在图像关联规则挖掘的某些领域,要求提取出具有较高置信度的关联规则,同时对支持度的要求相对较低。提出了一种在兼顾支持度的情况下挖掘出高置信度的图像关联规则的方法。为了便于有效地提取图像关联规则,使用了名为bSQ（bit Sequential）的一种栅格数据格式。而后采取“逐层搜索”的方法,建立规则树,避免了传统方法在处理低支持度时产生的大量频繁项集。最后通过多图像关联规则提取优先级和图像数据立方体等技术在多幅图像中提取基于象素级的关联规则。通过实验证明,该方法能有效地提取图像数据高置信度关联规则,方法具有可行性。     

关联规则衡量标准的研究

关联规则采掘是数据采掘中重要的研究课题。针对当前关联规则采掘中可能产生许多无效关联规则的问题，分析其原因，提出在衡量标准中增加有效度，并给出了有效度的定义。根据有效度的大小，将关联规则分为正关联规则、无效关联规则、负关联规则，提出了新衡量标准采相关联规则的算法，并用Visual FoxPro进行了试验。实验表明，新方法能明显减少无效关联规则的数目。     

Novel measurement for mining effective association rules

Mining association rules are widely studied in data mining society. In this paper, we analyze the measure method of support–confidence framework for mining association rules, from which we find it tends to mine many redundant or unrelated rules besides the interesting ones. In order to ameliorate the criterion, we propose a new method of match as the substitution of confidence. We analyze in detail the property of the proposed measurement. Experimental results show that the generated rules by the improved method reveal high correlation between the antecedent and the consequent when the rules were compared with that produced by the support–confidence framework. Furthermore, the improved method decreases the generation of redundant rules.     

Assessment of data quality in accounting data with association rules

Business rules are an effective way to control data quality. Business experts can directly enter the rules into appropriate software without error prone communication with programmers. However, not all business situations and possible data quality problems can be considered in advance. In situations where business rules have not been defined yet, patterns of data handling may arise in practice. We employ data mining to accounting transactions in order to discover such patterns. The discovered patterns are represented in form of association rules. Then, deviations from discovered patterns can be marked as potential data quality violations that need to be examined by humans. Data quality breaches can be expensive but manual examination of many transactions is also expensive. Therefore, the goal is to find a balance between marking too many and too few transactions as being potentially erroneous. We apply appropriate procedures to evaluate the classification accuracy of developed association rules and support the decision on the number of deviations to be manually examined based on economic principles.     

一种基于关联规则的多类标分类算法

提出了一种基于关联规则的多类标算法(MLAC).利用多类标FP-tree来分解组合生成多类标规则.并通过组合多重关联规则分类器进行分类预测,降低了由高维属性带来的高计算复杂度,有效地提高了算法的性能和效率.针对多类标数据集的实验结果表明,MLAC算法在性能和效率等方面均优干ML-KNN等多类标分类算法.     

Mining high coherent association rules with consideration of support measure

Data mining has been studied for a long time. Its goal is to help market managers find relationships among items from large databases and thus increase sales volume. Association-rule mining is one of the well known and commonly used techniques for this purpose. The Apriori algorithm is an important method for such a task. Based on the Apriori algorithm, lots of mining approaches have been proposed for diverse applications. Many of these data mining approaches focus on positive association rules such as “if milk is bought, then cookies are bought”. Such rules may, however, be misleading since there may be customers that buy milk and not buy cookies. This paper thus takes the properties of propositional logic into consideration and proposes an algorithm for mining highly coherent rules. The derived association rules are expected to be more meanful and reliable for business. Experiments on two datasets are also made to show the performance of the proposed approach.