教育信息的关联规则挖掘-计算机应用技术专业论文.docxVIP

摘 摘 要 教育信息化使教育系统结累了大量的与教育、教学有关的数据，激增的数 据背后隐藏着许多重要的信息，由于缺乏挖掘数据背后隐藏的知识的手段，无 法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。 导致了“数据爆炸但知识贫乏”的现象。数据挖掘就是从大量的、不完全的、 有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不 知道的，但又是潜在有用的信息和知识的过程。关联规则挖掘是数据挖掘的一 个重要方面，它揭示事物之间的相关程度。教育中存在很多相关性问题，可以 用关联规则挖掘方法对教育信息进行数据挖掘，发现其中的教育规律。 关联规则表达数据库中属性之间的相关程度。关联规则XjY，support=s％， confidence=c％表示由规则的前提x得到规则的结果Y，支持度为s％，置信度 为c％。本文通过对教育信息的关联规则挖掘，得出类似物理j数学， support=25％，confide目ace=77％的结果，利用关联规则揭示的教育、教学的内 部规律、学生的发展模式、学课之间的相关性规律，科学地制定教育的中、长 期规划，更新教育理念，合理地组织教学活动，理性地引导学生朝德、智、体 方面全面发展。 关联规则挖掘的基本方法是基于频集的Apriori算法，根据给定的最小支持 度(min_sup)，在待挖掘数据库中找出所有频繁项集，根据给定的最小置信度 (min coal)，由频繁项集产生强关联规则。在众多的数据挖掘工具中本文中采 用基于MS SQL Server环境的数据挖掘。根据教育信息的数据特点，在应用 Apriori算法时稍作修改，即在用Apriori算法计算频繁项集前，先用类似聚类 的方法压缩数据(经过量化处理)，然后对压缩过的数据计算频繁项集，使计算 频繁项集的数据量减少。 教育信息挖掘模型(EIDM)是以教育系统为主要应用领域，以交互性、 数据源的可选择性、系统的可集成性、易操作性为主要设计原则的数据挖掘系 统模型，其中变换方法和量化方法体现了处理教育数据的功能，通过增加挖掘 模式库、变换方法和量化方法库的方法可较容易地扩充EIDM的挖掘功能。 系统设计中采用不同的数据挖掘方法和不同的数据挖掘参数，产生不同应用 层次的关联规则，取其共同部分按被认可的程度分为三类：第一类规则描述的事 实和传统的教育学对有关问题的认识相一致，数据挖掘获得的关联规则用数据进 实和传统的教育学对有关问题的认识相一致，数据挖掘获得的关联规则用数据进 一步证实了教育理论的有关论述。第二类规则是人们在研究和工作中没有认识到 的或未被重视的事实，这类规则反映了教育规律，这是通过数据挖掘获取的新知 识。第三类规则是以前未被发现、现在也未被教育专家认可，但在现实中业已存 在、而且是在一定条件下一种有代表性的现象，其内涵还有待进一步研究。 关键词 关联规则，数据挖掘，教育信息，支持度，置信度 2 AbstractA Abstract A large number data have been created in the course of the educadon informmionality．There is a lot of important information about education in this data． We can’t find the relation and rules existed in the data because lacked the tools of knowledge discovered．We oxe unable to forecast future according to the existing data． It caused‘the data explosion but knowledge deficient’．The data mining means the process that discovered the useful information and knowledge from the data that is massive，not complete，with noise，fuzzy and stochastic．The association rule 1IliIliI玛 is an important field ofdata mining．It provides the degree ofrelevance ofthe things． There are many association rules in education data．Data mh[1ing啪discover it． The association rules expr