分类法在数学科学习成就上的应用与实作.pptVIP

click the “start” button 產生預測結果 點選右鍵中的“Visualize classifier errors”，將彈出一個新視窗顯示一些有關預測誤差的散點圖 從圖中按 Save button 存成self-test-predicted.arff 使用ultraEdit打開self-test-predicted.arff，會看到增加“Instance_number” and “predictedresults”兩個屬性，這個屬性上的值就是模型對每個實例的預測值。 預測模型 補習與否 國小成績 有無使用參考書 有無兄長可指導 在家研讀數學時數 寫回家功課狀況 預測 國中數學 成績 未來努力方向 國小成績部份應使用『新生入學考試』成績為依據，且試題應該有九年一貫能力指標為依據命題，且試卷成績可以建立常模方為有效試題，以提高研究之信效度。 國中成績部份應採用多次段考成績為依據且應經過標準化處理，例如將成績轉化為z分數，再決定成績等級。 問卷設計內容要謹慎小心，否則入寶山也挖不到金礦，也就是要小心『屬性』的良窳。 本次報告主要是希望透過實作來瞭解weka操作與DM的神奇，並非一份完善的研究報告，敬請見諒 5 7 2 3 8 7 6 5 3 1 + 4 1 1 9 1 5 6 7 + 5 + 7 2 3 8 7 6 5 3 1 + 4 1 1 3-2+1=? 分類法在數學科學習成就上的應用與實作 指導教授：鄭滄祥 學 生：陳貝逢 日 期：99年1月9日 研究背景與動機 數學課是大多數學生學習成就低落的一門學科，學習成就低落與學習態度、方法、環境之間必定有某種程度的關係。 好的學習成效必定有好的學習態度、方法及環境。缺了一項，就可能會造成之後學習上的瓶頸。與其事後進行補救，更好的方法是事先找出問題所在，以加強學習者的自我認知。 研究背景與動機 本研究針對「安平國中一年級學生數學科學習態度自我評量」的問卷結果作分析，是利用資料探勘中的分類分析(Classification Analysis)方法，找出一組能夠描述資料集合特徵的模式，以期能預測學生從國小升上國中後的數學學習成效，能夠對於學生進行分類，加強教學成效，幫助學習。 研究目的 探討不同性別的學生在數學科目上的學習成效是否有顯著差異。 探討不同的學習態度、時間、環境在數學科目上的學習成效是否有顯著差異。 找出學習者的學習障礙與迷思。供教師在日後教學時，能針對個別或大部分的學生來進行補救教學。 研究流程  研究方法  本研究針對「安平國中數學科學習態度自我評量」的問卷結果作分析 問卷題目代表的變數及意義如下 id 學生姓名 sex 性別(female|male) elementary score 國小數學成績 upbringing 是否在外參加補習(yes or no ) review hour 每日回家複習數學的時間(0,1,2,3) reference book 是否有購置參考書(yes or no ) senior 是否有哥哥或姐姐可教導(yes or no ) homework 回家是否按時寫作業(yes or no ) learning attitude 學習的態度是否認真(yes or no ) results 上國中後的數學成績(highest,high,middle,low) 研究方法 自1960 年代開始，已有許多學者使用樹狀結構來進行資料分析，包括AID、ID3、CHAID、FACT 等，其中，決策樹是應用廣泛的分類與預測工具。決策樹是以樹狀圖為基礎的方法，和類神經網路最大不同處，在於決策樹可產生出規則，讓使用者容易理解。目前最普遍使用的決策樹有兩種－C4.5(Quinlan, 1993)及CART(Breiman et al., 1984)，主要的差別在於前者是多元樹，而後者是二元樹，亦即每一節點皆只有兩個分支。本研究視資料尺度類型，採C4.5 進行研究。 C4.5決策樹 C4.5 決策樹歸納法是由其前身ID3 學習法(Quinlan, 1986)改進而來(Quinlan, 1979)。ID3 為一決策樹歸納技術，在構建決策樹過程中，ID3 以資訊獲利(Information Gain)為基準，選擇最佳的屬性當成決策樹的節點，使得所導致的決策樹為一最簡單(或接近最簡單)的決策樹。 實作 收集資料 使用軟體工具(WEKA) 資料轉檔.csv - .arff 輸入java weka.core.converters.CSVLoader self-test.csv self-test.arff 即可完成轉換。 資料轉檔.csv - .arff weka explorer-Open