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。     

ID3算法在教学质量评价中的应用研究

决策树是数据挖掘中的一种分类算法,它是一种以实例为基础的归纳学习算法,来发现数据模式和规则.介绍了数据挖掘的定义及分类,详细介绍了决策树ID3算法.又根据ID3算法,对院校中收集的大量教学评价数据样本进行分析,获得不同属性上的信息增益,生成最终决策树,可将此树转换成一个if-then规则的集合.生成规则和决策树,然后对新数据进行分析和预测.通过数据建模以发现规律和模式,从而提取有价值的信息,避免目前教学质量评价中的不合理性,实例验证和分析的结果表示该方法的有效性.为教学质量评价提供合理、科学的决策支持,从而提高教学质量,改进教学成果.     

基于CART决策树的计算机网络课程学生成绩分析

针对大数据背景下教育数据挖掘已成为改善教育质量重要手段的现状,提出使用CART决策树算法对计算机网络课程的数据进行分析和研究,生成基于CART树的学生成绩分类模型,最后分析结果并提出有针对性的合理教学建议。     

基于决策树ID3算法的高职生就业预测分析

以提高高职生就业质量要求为背景,基于数据挖掘和机器学习中的分类分析算法,以高职院校招生数据、学籍管理及就业数据作为样本,通过学习决策树分类器,分析学生就业因素,得到由学生入学成绩、综合素质评价成绩、就业单位地域及性质等信息,对是否顺利就业及就业单位类型的预测模型,旨在为高职院校就业指导及人才培养方案制定提供科学的依据,具有一定的实用价值.     

决策树C4.5算法在学生成绩管理系统中的分析及其应用

本文详细论述了C4.5算法的原理及计算过程,并运用C4.5算法对某高校2011级电子信息工程专业的学生成绩数据进行分析。首先确定数据挖掘对象,进行样本采集,选择影响成绩的重要属性;然后运用C4.5算法对成绩数据进行分析挖掘从而生成决策树,为今后的教学工作提供指导,以此提高学生的成绩。     

多决策树的模糊积分融合在银行信贷管理系统中的应用

为了提高基于数据挖掘的商业银行信贷管理系统的信贷风险评估水平,将多决策树的Choquet模糊积分融合(MTCFF)模型应用到银行信贷管理系统中。基本思想是采用决策树在已知类型的客户数据上进行挖掘,按照决策树剪枝程度不同形成不同的决策树并产生规则,利用所生成的不同决策树的规则,对未知类型的客户数据进行分类,然后让Choquet模糊积分对多棵决策树的分类结果进行融合,形成最优判断。采用UCI数据库中German客户信用卡数据集进行验证,实验证明Choquet模糊积分的非线性融合效果优于单棵决策树的分类效果,也优于其他线性融合方法,并且Choquet模糊积分要优于Sugeno模糊积分。     

悲观剪枝算法在学生成绩决策树中的应用

利用数据挖掘技术中的决策树ID3算法分析影响学生成绩的因素并生成决策树,可以从中挖掘出隐含的、未知的、影响学生成绩的潜在因素,然而,生成的决策树通常庞大而且复杂,有必要对它进行剪枝,在有效简化决策树的基础上,保证挖掘质量,得出影响学生成绩的重要因素。     

多决策树的模糊积分融合在银行信贷管理系统中的应用

为了提高基于数据挖掘的商业银行信贷管理系统的信贷风险评估水平,将多决策树的Choquet模糊积分融合(MTCFF)模型应用到银行信贷管理系统中。基本思想是采用决策树在已知类型的客户数据上进行挖掘,按照决策树剪枝程度不同形成不同的决策树并产生规则,利用所生成的不同决策树的规则,对未知类型的客户数据进行分类,然后让Choquet模糊积分对多棵决策树的分类结果进行融合,形成最优判断。采用UCI数据库中German客户信用卡数据集进行验证,实验证明Choquet模糊积分的非线性融合效果优于单棵决策树的分类效果,也优于其他线性融合方法,并且Choquet模糊积分要优于Sugeno模糊积分。     

C4.5算法在成绩分析中的应用

对如何将数据挖掘技术应用于成绩分析的问题进行了研究。通过调查淮北职业技术学院08级学生学习《数据结构》的学习情况,与现有的成绩分析方法完全不同的角度,通过采用数据挖掘中的C4.5算法,建立了学生成绩分析决策树模型,并提取了分类规则,可以对今后的教学工作发挥积极的指导作用,实验结果及分析表明了该方法的有效性。     

多决策树融合模型MDTF的研究

基于数据挖掘的入侵检测系统中存在着检测性能低和数据挖掘效率不高等问题.为了解决这些问题,提出了多决策树融合模型MDTF,也就是把海量数据集分成若干子数据集,在子数据集上进行挖掘形成不同的子决策树,然后用加权平均法将多棵子决策树对网络数据的检测结果进行融合形成最优判断.实验采用KDD99数据,实验结果表明,该方法可以得到较好的入侵检测性能,分布并行处理可以提高数据挖掘效率.