数据挖掘中关联规则算法在教学评价系统中的应用.docVIP

PAGE  PAGE 7 数据挖掘中关联规则算法在教学评价系统中的应用 　　摘要： 教学评价系统是为了检测、控制教学质量，将决策树、关联规则等引入教学评价系统，从对数据分析的角度去研究能影响教学质量的主体及过程等因素，从而分析出适合教学评价的发现方法，应用于教学评价，能够将教学评价技术水平提升，更好地为教学服务。 　　Abstract： Teaching evaluation system is to detect and control the quality of teaching. We introduced the decision tree and association rules， etc. into teaching evaluation system， and studied the influencing factors of teaching quality from the perspective of data analysis， and tired to find out the method to evaluate teaching. Its application to teaching evaluation can improve the level of teaching evaluation， and better serve the teaching. 　　关键词： 数据挖掘；关联规则算法；教学评价 　　Key words： data mining；association rules algorithm；teaching evaluation 　　中图分类号：G642 文献标识码：A 文章编号：1006-4311（2013）04-0232-02 　　0 引言 　　伴随高校人数的剧增，教学及管理工作出现了很多不便之处，高校的数据库中积存了大量的数据，但隐含价值并没有充分发挥出来。目前教师的课堂评价还都基于数值计算，依据评价所得分数考量教师的晋升职称、评优等，但对数据深入思考却并没有实现。目前各高校都采用成绩作为师生教学效果的考核方式，不过成绩公布、分类登记保管之后，就觉得工作已经完成了，并没有深入研究这些数据，造成教学信息资源浪费。有效利用这些数据资源，将其转化成能够使用的知识，可以将学校的管理水平、管理决策及教学质量进一步提升。 　　数据挖掘就是将一些隐含的、具有潜在用途的信息或知识从大量不完全、模糊且有噪声的实际应用数据中提取出来。在教学评价系统中引入数据挖掘中的关联规则算法，能有效促进高校的教学工作，提升教学质量。 　　1 决策树算法原理 　　决策树也被称为判定树，它与流程图的树结构十分相像[1]。生成算法时由非叶子结点代表属性，叶子节点代表类型。树的最顶层是根节点，根节点与叶子节点之间的路径就是一条分类规则。决策树是直观表示分类模式的形式，转化为分类规则十分方便。目前决策树算法有很多种，比如ID3、CART、CHAID、CLS、FACT、GINI、CA.5、SLIQ等。ID3算法是引用率最高的算法，它的基本思想是使用贪心算法自顶向下进行训练样本集的搜索，并在节点处进行属性的测试，进而形成决策树。ID3算法采用信息增益作分支指标心，目的是为了从训练样本集中选择出最好的分支属性。 　　2 关联规则算法原理 　　关联规则也称关联模式，是数据挖掘技术中最为活跃的一项研究方向，反映了大量数据中各项目间较有趣的相关联系。逻辑蕴含式形如X→Y的形式，X和Y均是对数据库中属性取值的判断。事务型数据库是关联规则主要发现对象。假设I={i1，i2，i3，…im}是由m个不同的项目组合而成一项集合，D是事务数据库（交易数据库），每个事务T都是I里面的一组项目集合，且都有一个标识符TID与之相关联。项目集X？哿I，如果事务（交易）T支持X，则必然X？哿Ｔ；当Ｘ中的项目有Ｋ个，也称Ｘ长度为Ｋ或Ｘ是Ｋ－项目集。 　　形式如下的数据隐含关系即为关联规则：X→Y，X？哿I，Y？哿I，且Ｘ∩Ｙ≠？渍。 　　定义１：关联规则X→Y支持数（度）。存在于事务数据库Ｄ中的所有支持项目集Ｘ∪Ｙ的事务数均属于X→Y的支持数，可记为Count（X→Y）。支持度：Count（X→Y）/｜Ｄ｜，可记为Sup（X→Y）。 　　定义２：项目集Ｘ支持数（度）。存在于事务数据库Ｄ中的所有支持项目集Ｘ的事务数均属于其支持度，可记为Count（X）。假设总事务数是｜Ｄ｜，支持度：Count（X）/｜Ｄ｜，可记为Sup（X）。 　　定义３：关联规则X→Y置信度。其定义是：Count（X→Y）／Count（X），可记为Conf（X→Y）。 　　通常为了能够挖掘有意义的关联规则，需要给出最小支持度和最