改进的关联规则算法在教学评价中的研究与应用.docVIP

改进的关联规则算法在教学评价中的研究与应用 　　【摘要】数据挖掘就是从海量的数据中挖掘出潜在的、有价值的知识。在数据中隐含的未被人们发现的确实存在的内在联系与规律。学生对老师的教学评价是教学管理的一个重要部分，如何找出教学评价中大量数据之间的联系，是评价教师教学质量和提高教学水平的重要手段。本文利用了一种基于Apriori算法的改进的算法——Apriori_B算法对这个教学评价系统进行数据挖掘。 　　【关键词】数据挖掘；关联规则；Apriori_B算法；教学评价 　　教学质量是学校教育的根本，它和每位师生都息息相关。教学评价就是根据教学目标和原则，系统的收集信息给教学活动和教学结果给予判断。目的在于能够有效的掌握教学情况，发现问题并改进问题。但是大量的评价数据都存放在数据库中，只供查看。对于这些数据隐含的信息没有进行充分的挖掘和利用，本文在数据挖掘的基础上，对这些数据进行关联规则挖掘，找出隐含的有价值的信息，以供教学管理部门参考，并改进工作。 　　1.数据挖掘的概念 　　数据挖掘就是从大量的、不完整的、不一致的、有噪声的数据中挖掘出隐含在其中的，人们事先不知道的、但又潜在的有价值的信息和知识的过程。数据挖掘的过程大致可分为：问题的定义，数据收集和数据预处理，数据挖掘算法的执行，结果的解释和评估。 　　2.关联规则的相关概念及其算法 　　2.1 关联规则的相关概念 　　1）关联规则 　　关联规则是指数据之间的简单的使用规则，是指数据之间的相互依赖关系。关联规则形如：XY；其中XI，YI，并且X∩Y=。X为先决条件，Y为结果；关联规则反映了项目集X出现的同时项目集Y也会跟着出现。如购买钢笔同时会购买墨水。 　　2）支持度（Support） 　　设X属于数据项目集，为事务数据库中包含X的记录条数，为事务数据库中记录的总个数，那么项目集X的支持度=/支持度表示项目集在事物集中出现的频率的是多少。例如事务数据库中总共100数据，其中含有矿泉水的记录有10条，那么矿泉水的支持度是10/100=0.1。 　　3）置信度（Confidence） 　　有关联规则XY，其中XI，YI，并且X∩Y=，那么XY的置信度为： 　　Conf（XY）=*100%=P（Y|X） 　　置信度是反映在事物X中出现事物Y的条件概率。例如在买了面包的顾客中有80%会买牛奶。 　　2.2 关联规则的中的Apriori算法 　　Apriori算法挖掘关联规则的思想主要分为两个步骤： 　　（1）找到所有的频繁项集 　　用户设定最小支持度min-supp，找出所有的项集大于最小支持度min-supp的，即为频繁项集。一般情况下，我们只关心那些不被其他频繁项集所包含的所谓的频繁大项集的集合，这些频繁大项集是形成关联规则的基础。 　　（2）由频繁项集产生关联规则 　　用户设定最小置信度min-conf，在每个最大频繁项集中，寻找置信度大于等于最小置信度min-conf的关联规则。 　　在挖掘关联规则中最常用的算法是Apriori算法，Apriori算法利用了候选项集和频繁项集的相互作用来找到所有的频繁项集，并通过对候选项集的剪枝，减小了候选项集的大小，获得比较好的效果。但是在挖掘对象的项集较多而且又比较长时或者给定的最小支持度比较小时，Apriori算法仍然是效率非常低的。主要体现在下面两个方面： 　　（1）在产生关联规则的过程中，Apriori算法需要反复的扫描事务数据库，当在项集比较长时，Apriori算法需要将k-候选项集中的每一个子集都要逐个扫描进行匹配，看是否属于k-1-频繁项集，不是就要进行剪枝。这个过程必然引起很大的计算量，对I/O造成巨大的压力并且运行时间过长，效率很低。 　　（2）将k-1-频繁项集组合生成k-候选项集时，并且随着频繁1-项集的增多而增多，而且增多的速度相当的快。当1-频繁项集达到1万时，候选2-项集中项的个数会超过。因此需要挖掘的候选项集的所包含的项数过多的话这个计算量也是非常惊人的。 　　3.一种改进的算法Apriori_B算法 　　3.1 Apriori_B算法的基本思想 　　算法的基本思想如下： 　　Aprior_B算法的基本思想是对事务数据库中的所有项进行二进制编码，在编码的同时统计出支持度计数，并生成频繁1-项集，然后通过对编码进行逻辑“与”运算得出频繁2-项集，就这样循环下去最终得到符合条件的关联规则，这个算法只需要扫描一遍数据库，并且也减少了候选项集的数量提高了算法的效率。 　　首先要根据事务数据库中记录的个数决定编码的长度，并对这些记录进行排序，每一个记录对应编码中的一个位置，如若某一个项在记录中出现，就在这个项的位置上设置“1”，否则就设置成“0”。例如，事务