基于MATLAB转置矩阵学生学习成绩预警快速算法.docVIP

基于MATLAB转置矩阵学生学习成绩预警快速算法 　　摘要：通过对目前基于矩阵的关联规则挖掘算法进行分析，提出一种更加高效的学生学科成绩的关联规则挖掘算法，通过实际案例进行对比，证明所提出的算法在学生成绩预警的关联规则挖掘中具有明显的效果。 　　关键词：MATLAB；转置矩阵；关联规则；学生成绩；快速算法 　　中图分类号：TP391.3 文献标识码：A 文章编号：1009-3044（2016）02-0200-04 　　Abstract： Through the current mining association rules based on matrix analysis algorithms， association rules proposed a more efficient algorithm for mining student academic performance， comparing actual cases， proves that the proposed algorithm has obvious warning in association rule mining in student achievement Effect. 　　Key words： MATLAB； transposed matrix； association rules； student achievement； fast algorithm 　　1 引言 　　学生成绩预测是学校教学管理的关键因素，随着招生规模的扩大，高校教学管理中积累大量学生的各个学科的成绩数据，这些数据中隐含了大量的学生学习情况的信息，充分利用数据挖掘，发现成绩中隐含在学科之间成绩的知识信息，对学生各个学科的未来学习成绩进行预测预报，将是高等学校教学管理的重要研究和应用。 　　提出一种基于MATLAB的学生成绩预警关联规则挖掘的关键算法，使用该算法所挖掘的学生预警规则集，生成预警信息，在用户设定的支持度下，通过在MATLAB下导入Excel学生成绩，并使用比特矩阵运算，获得学生成绩预警规则，对高校的素质教育和创新人才的培养等方面具有重要的作用和意义。 　　2 目前矩阵算法分析 　　文献[1]提出的基于矩阵的关联规则算法挖掘算法，将Apriori算法的剪枝与矩阵联系起来，这种方法只需扫描一次数据库，并且无需候选集Ck，即可得到频繁集Lk，从而大大提高了算法的效率，在生成关联规则中，利用了概率论的基本性质，也大大减少了计算量。但该算法在生成K-项频繁集时仍然采用了Apriori算法，降低了执行效率。 　　文献[2]提出的算法，由m个任务和n个项目来构建m×n的布尔矩阵，该算法需要先构造一个2维行向量，其中元素均为“1，将该2维行向量与候选2项集中的每个项集所组成的向量进行内积运算得到各项集的支持数，通过与支持度比较从而得到频繁2项集；在频繁2项集连接生成候选3项集之前，对频繁2项集进行一次裁剪，利用得出的推论删除掉不可能成为频繁3项集的项目元素，这将减少生成候选3项集的规模。依次类推，在求第k-项集的支持度时候，构造k维向量与各个k项候选集组成的向量进行内积运算，同时在连接生成k+I项候选集时，先对k项集进行裁剪。该算法需要进行大量的内积运算，且需要通过与支持度比较从而得到频繁集，消耗了大量的CPU时间和内存空间。 　　文献[3] 首先扫描数据库生成对应的初始矩阵；其次，利用分析得到的频繁项集的大小对矩阵进行修剪；然后，直接生成频繁k项集，通过矩阵向量相乘后相加得到待生成k项集的支持度。在算法确实提高了获得频繁k项集的效率，但对矩阵进行修剪还可以进行更高效修剪。 　　文献[4]算法引入了两个矩阵，一个矩阵用于映射数据库，另一个用来存储2-项频繁集相关信息。该算法在剪裁事务矩阵时，确实提高了算法的效率。但在求K-项频繁集时，需要对K个项目的映射矩阵中的列向量做内积运算，降低了算法的效率。 　　3 基本概念 　　3.1 关联规则 　　（1） 关联规则：设[I={I1，I2，…，In}]是n个不同项目的集合，事务数据库[D={T1，T2，…，Tm}]，其中[Ti={Ii1，Ii2，…，Iik}]，并且[Iij∈I]，关联规则是形如[X?Y]的蕴含式，其中[X，Y?I]，且[X?Y=Φ]。 　　（2） 项目集的支持度：[D]中支持项目集[X]的事务数称为[X]的支持数，记为[Count（X）]。设[D]中的总事务数位[D]，则[Sup（X）=Count（X）/D]称为项目集[X]的支持度。 　　（3） 关联规则的支持数与支持度： 数据库[D]中支持项目集[X?Y]的事务数称为关联规则[X?Y]的支持数，记为[Count（X?Y）]，[