基于K―means聚类算法成绩分析应用探究.docVIP

基于K―means聚类算法成绩分析应用探究 　　摘 要：数据挖掘是在海量的数据中寻找模式或规则的过程。随着学校招生规模的扩大，在校学生成绩分布越来越复杂，传统的成绩分析有一定的局限性，该文介绍了K-means聚类算法的原理和算法流程，针对学生成绩数据进行选择、预处理，运用K-means聚类算法对学生成绩数据进行聚类挖据分析等。通过聚类结果分析，打破原有成绩分析得局限，使现有数据体现更好的价值，从而辅助教学管理者做出相应决策，更好地提高教学质量。 　　关键词：数据挖掘 K-means算法 聚类分析 成绩分析 　　中图分类号：TP31 文献标识码：A 文章编号：1674-098X（2016）01（c）-0090-03 　　Abstract：Data mining is the process of finding patterns or rules in massive data. With the expansion of school enrollment，students in grades distribution are more and more complex，the traditional performance analysis has some limitations.This paper introduces the theory and algorithm process of K-means clustering algorithm，to choose for student achievement data，preprocessing， on student achievement data clustering mining to analysis using the K-means clustering algorithm.Through the analysis of clustering results，breaking the original performance analysis is limited，so that the existing data to reflect the better value，so as to assist the teaching managers to make corresponding decisions，to better improve the quality of teaching. 　　Key Words：Data mining；K-means algorithm；Clustering analysis；Performance analysis 　　在现代信息化被广泛应用的时代，在我们日常教学中，面对错综复杂的学生成绩信息和各种各样的学习方法和学习方式，针对学生不及格的课程成绩信息群体，我们传统的数据分析有一定的局限性，通常还是停留在简单的统计、查询和汇总等层面，往往对这些数据背后的深一层原因无所了解，而聚类分析通过数据挖掘技术对这个数据群体进行处理，通过聚类、划分、分群，将有助于学校从堆积如山的数据中，发掘有利于教学的具有针对性的信息。利用聚类分析方法能从数据中找出相关的特征或模式，可以帮助学校针对不学生的学习状况，制定针对性的教学策略，对学生信息聚类和分组可以帮助改善学生学习成绩，并且可以根据此数据信息预测将来的成绩趋势，辅助学校进行教学管理。 　　1 聚类分析 　　数据挖掘的方法中聚类是对记录分组，把相似的记录放在一个类别里。聚类和分类的区别是聚类不依赖于预先定义好的类，不需要训练集。 　　聚类分析中，首先需要确定基本聚类分析原则，在各聚集内部数据对象间之间，追求的是相似度最大化。而在各聚集对象之间，追求的是相似度最小化。在进行聚类分析时，聚类分析所获得的组可视为同类别的归属，也可视为该类归属的数据对象集合。聚类分析已经在模式识别图像处理、市场分析和数据分析等领域得到了广泛应用。 　　2 K-means聚类算法 　　学生成绩挖掘分析主要目标是针对学生成绩数据进行聚类分析，挖掘出数据隐含的不同学生群体信息。而K-means聚类算法是数据挖掘基于划分最经典的聚类方法，也是易于实现的算法。主要思想是首先初始化K个聚类簇中心，使用一定的准则将所有样本点分到不同的K个簇中；接着计算现有的K个簇的质心，确定新的簇心。一直循环迭代，直到簇心的移动距离小于某个给定的阈值。如果初始簇心选择不好时，K―means的结果会很差，所以一般是多运行几次，按照一定标准选择一个比较好的结果。 　　K-means聚类算法的主要流程如下。 　　（1）初始化K个聚类中心。 　　（2）计算每个点到聚类中心的距离，将每个点划分到离该点最近的类别