基于聚类学生成绩分析.docVIP

基于聚类学生成绩分析 　　摘要：该文采用聚类分析的k均值算法对学生的考试成绩进行聚类，得到了簇中心和个类数。研究表明，如果优秀率、良好率、中等率、及格率和不及格率符合正态分布，说明教学效果良好，学生对该课程内容掌握较好。 　　关键词：聚类；K均值算法；成绩分析 　　中图分类号：TP312文献标识码：A文章编号：1009-3044(2012)03-0519-03 　　Students’Score Analysis Based on Clustering Method 　　SONG Xiang-hong1, BAI Ming-yue2 　　(1.Department of Computer Science and Application, Pingdingshan Institute of Education, Pingdingshan 467000, China; 2.Office of Fun? ther Education, Pingdingshan Institute of Education, Pingdingshan 467000, China) 　　Abstract: K means algorithm of cluster analysis was applied to analyze the students’score, and the cluster centers and number of cases in each cluster were obtained. Research results indicate that if the rates of excellence, good, middle, pass, and fail is subjected to normal distri? bution, it shows that the teaching effect is good and the condition of students mastering the course is well. 　　Key words: cluster; K means algorithm; score analysis 　　学生成绩是学校学生信息数据库中最重要的部分，也是评估教学质量的重要依据，也是评价学生是否掌握好所学知识的重要标志。因此，如何科学准确、公平公正地给学生评定成绩，是教师和管理者多年来一直研究的问题。随着教育体制改革的不断深入，特别是学分制管理体系成为主流后，学生成绩的评定方法从过去单一分数制系，发展到今天比较广泛采用的等级制。等级制学生成绩评定方法比较适合纵向衡量学生对于所学知识的掌握程度。而对于需要横向衡量学生成绩差异，及比较某个学生对于总体成绩的偏差时，等级制成绩所蕴含的信息明显不足。这样一来，我们可以采用一系列统计学手段对学生的等级制成绩进行处理，得到一组针对具体考评指标的相对抽象的考评数据。 　　 1聚类分析 　　数据挖掘技术中，聚类分析[1]是用于根据一组离散的数据来计算获得它们之问的密集程度。在学生成绩评价中采用聚类分析的技术以后，每一个簇就是一个成绩群，处于每个簇中心的数据就是该成绩群的中心成绩。不同的簇相应地对各个成绩群进行了划分，也??应地给出了不同成绩群的中心成绩。这些中心成绩就是学生成绩的等级划分参考标准之一。 　　从上面可以看出，基于聚类分析的成绩划分不再是绝对成绩的划分，而是相对成绩的划分[2]，因此，对学生的成绩评价也更为准确。 　　当进行评价时，聚类分析也可以起到一定的作用。经过聚类分析后，学生成绩已经归于各个簇中，簇的大小、形状、中心值都可以作为教学效果评价的标准[3]，本文利用簇的形状进行评价。1.1 K均值算法 　　K均值（K-means）算法[4]是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。此算法以k为参数，把n个对象分为k个簇，以使得结果簇内的相似度较高，而且簇间的相似度较低。簇的相似度是关于簇中对象的均值度量。可以看作簇的质心或重心。这个算法首先是随机选择k个对象，每个对象代表一个聚类的质心。对剩余的每一个对象，根据其与各个聚类质心之间的距离，把它指派到与之最相似的聚类中。然后计算每个聚类的新均值。不断重复这一过程，直到标准测度函数收敛为止。通常都采用均方差作为标准测度函数，其定义如下： 　　 　　上式中：E是数据剧中所有对象的平均误差和，p是空间中的点，表示给定对象，mi是簇ci的均值（p和mi是多维的）。用于聚类划分的K均值算法： 　　输入：聚类个数k，以及包含n个数据对象的数据库。 　　输出：满足方差最小标准的k个聚类。 　　方法： 　　1）从n个对象任意选择k个对象作为初始聚类