数据挖掘中聚类技术在学生成绩分析中应用.docVIP

数据挖掘中聚类技术在学生成绩分析中应用 　　［摘 要］本文针对在大类招生背景下北京科技大学经济管理学院2005级学生的考试成绩，应用数据挖掘技术分析分专业前学生成绩与专业及分专业后课程学习之间可能存在的潜在的联系。首先进行数据预处理以保证数据挖掘结果的质量和提高数据挖掘的效率；然后根据分专业前的课程成绩对学生进行聚类，并分析各类的成绩特征；最后以信息管理与信息系统专业为例，分析各类学生在分专业后的优势课程和较弱课程。 　　［关键词］数据挖掘；聚类；学生成绩分析 　　doi:10.3969/j.issn.1673-0194.2009.15.014 　　［中图分类号］TP391［文献标识码］A［文章编号］1673-0194（2009）15-0045-03 　　 　　1 引 言 　　 　　本科按学科大类招生已在部分高校实施，这些高校按一级或二级学科进行招生，在经过约两年的统一基础培养后，由学生结合就业、兴趣等选择具体专业方向，开始专业课程及实践课程的学习直至毕业［1］。本文研究数据挖掘技术在大类招生背景下学生成绩分析中的应用，数据来源于北京科技大学经济管理学院2005级学生前5个学期的成绩，其中前4个学期为分专业前的成绩，第5个学期为分专业后的成绩。通过观察这些数据可以发现如下特点：①成绩分布在0~100之间，且各个分数段的密度不同，其中成绩取值在70~90分之间的比例非常大；②分专业前的课程数量很多，且其中的某些课程与专业选择相关性很小；③部分课程存在得分普遍较高或得分普遍较低的现象；④分专业前的课程主要包括：高等数学I、概率与数理统计、外语I、线性代数、计算机基础、会计学、财政金融学、管理信息系统、马克思主义哲学、军事理论、体育I等46门课程；⑤分专业后各专业课程不同。为了保证数据挖掘结果的质量，提高数据挖掘的效率，需要进行净化、集成、精简、应用变换等数据预处理。之后，再进行聚类及进一步的分析。 　　 　　2 数据预处理 　　 　　2.1 数据净化 　　数据净化是清除数据源中不正确、不完整等不能达到数据挖掘质量要求的数据，从而提高数据的质量，得到更正确的数据挖掘结果。 　　在本研究所针对的学生成绩数据中，遇到的主要数据净化问题是空值问题。对此，本研究采用了两种处理方式：若该学生有3门及以上课程成绩为空，则将其作为异常点从数据中除去；若该学生有2门及以下课程成绩为空，则取其所在班级对应课程的平均成绩来替代空值。 　　其次，对于重修课程，因为重修成绩代表着学生在该门课程学习中的最终表现和知识掌握程度，所以都用重修成绩代替原有的成绩。 　　2.2 数据的集成 　　数据挖掘所应用的数据如果来自多个数据源，就需要进行数据的集成。数据的集成是从不同的数据源选取所需的数据，进行统一存储，并消除其中的不一致性。 　　由于获得5个学期学生成绩数据的时间不同，各个学期的学生成绩数据在结构上存在一定的差异，所以需要对这些成绩数据进行数据集成。 　　另外，为了进一步分析具有不同成绩特点的学生在分专业后的优势课程和弱势课程，利用Excel中提供的QUARTILE(ARRAY,QUART)函数，针对分专业后各门课程，计算该课程成绩的四分位点，以将学生成绩分成优、良、中、差4类。 　　2.3 数据的精简 　　数据精简是采用一定的方法对数据的规模进行缩减。作为本研究数据源的学生包括了一般统招生和体育特长生，由于体育特长生入学时专业已定，不参与大类招生两年后的专业选择，在此将所有体育特长生的信息除去，并将退学、休学的学生的信息除去，以缩减数据量，最终用于聚类的学生人数是262人。另外，由于本研究的内容是专业与课程的联系，因此对于那些和专业选择无显著联系，或是影响因子极小的课程应将其除去，如体育、毛泽东思想概论、大学语文、军事理论等，从而降低数据的维数。 　　最终保留的用于聚类的属性分别是：“高等数学I”、“外语I”、“计算机基础”、“上机实践”、“高等数学II”、“外语II”、“数据库与VF程序设计”、“线性代数”、“宏微观经济学”、“会计学原理”、“外语III”、“概率与数理统计”、“管理信息系统”、“管理办公自动化”、“财政金融”、“外语IV”。另外，根据课程学习内容的衔接性和连贯性，求得“高等数学I”、“高等数学II”的平均成绩作为学生“高等数学”的成绩，求得“外语I”、“外语II”、“外语III”、“外语IV”的平均成绩作为学生“外语”的成绩。 　　2.4 数据的应用变换 　　由于某些课程的成绩分布差距较大，在此对用于聚类的学生成绩属性进行了数据标准化，以得到更好的聚类效果。标准化方法描述如下： 　　对于对象x??1, x??2, …, x??n,描述其第k个属性的变量值分别为x??1k, x??2k,