Apriori算法优化及其在挖掘学生成绩中应用.docVIP

摘要 随着数据库技术的发展，人们采集数据的能力越来越高，信息快速膨胀，人们急需从这些数据中得到有用的知识，于是数据挖掘技术应运而生。数据挖掘的过程即是从大量的数据中获取有趣知识的过程，而关联规则作为它的一个重要分支，更是为决策过程提供良好的手段。本文则是围绕着这一关联规则这一主题进行探索。首先简单介绍了关联规则的定义、分类、挖掘过程，然后着重介绍了挖掘模型Apriori算法，并提出了一种基于事务压缩的改进算法，最后针对我们信管专业同学的成绩这一成绩作为原始数据，在SPSS Clementine 这一挖掘平台上进行关联规则的挖掘，以获取不同课程学习之间的一些关系。 关键词　数据挖掘 关联规则 Apriori算法 SPSS Clementine Abstract With the development of database technology, the capacity for data collection has advanced more and more quickly, inducing the rapid expansion of information, Data mining techniques emerged for people need to get interesting knowledge from these data. Data mining process is to obtain interesting knowledge from a large number of data. Association rules as an important branch of it, is to provide a good means of decision-making process. This article is centered on the theme of this association rules. First, a brief definition of association rules, classification and data mining process, and then focuses on the mining model Apriori algorithm, and proposes a transaction-based compression of the improved algorithm, and finally fuses our students’scores as the original data, making data mining about association rule on the mining plat SPSS Clementine, to obtain a number of different relationships between courses. Keywords Data Mining association Apriori SPSS Clementine 不要删除行尾的分节符，此行不会被打印目录 目录 摘要 I Abstract I 第1章 绪论 3 1.1 课题背景 3 1.1.1 学术背景 3 1.1.2 商业背景 3 1.2 研究内容 4 第2章 关联规则 5 2.1 基本概念 5 2.1.1 定义 5 2.1.2 分类 5 2.1.3 过程 6 2.2 Apriori算法 6 2.2.1 算法思想 6 2.2.2 实例分析 6 2.3 Apriori算法改进 9 2.3.1 改进思想 9 2.3.2 实例分析 9 第3章 数据挖掘在学生成绩中的应用 11 3.1 数据挖掘工具简介-SPSS Clementine 11 3.2 建模过程 11 3.2.1 数据清洗与集成 11 3.2.2 数据选择与转换 12 3.2.3 数据挖掘 12 3.3 模式评估与表示 13 附 15 绪论 课题背景 学术背景 随着数据库技术的逐渐成熟和计算机网络的迅速普及，人们采集数据的能力得到了极大的提高，导致全球范围的信息急剧膨胀，为了对这些少量信息的隐藏知识进行开发，数据挖掘技术应运而生。 数据挖掘（Data Mining，DM），是一种决策支持过程，它主要基于人工智能、机器学习、统计学技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者做出正确的决策。简单地说：数据挖掘就是指从大量数据中提取知识。 从广义上讲，关联分析是数据挖掘的本质。既然数据挖掘的目的是发现潜藏在数据背后的知识，那么这种知识一定是反映不同对象之间的关联。关联知识反映一个事件和其他事件之间的