基于PYTHON的聚类算法在教学评价中应用研究.docxVIP

基于PYTHON的聚类算法在教学评价中应用研究 　　： In the study of clustering， on the basis of basic principle and the corresponding algorithm， this paper analyzes the K means clustering algorithm， using the university computer course examination results， using the PYTHON language， write structures based on K - means clustering algorithm program in the students score on the test data set clustering on the application， the experimental results are given， obtain some interesting results data. 　　1 背景 　　 教师评价是“十三五”教育规划需要改进的一项内容，教师评 价从德、勤、能、绩、效五个方面提出可操作的量化评价标准 是一个系统性的工程，而探索建立教师教育质量评估无疑是对 教师评价涉及能、绩、效的主要内容。随着信息化社会的不断 发展，在以县或市级统考的基础上进行集体的网上评阅卷成为 可能及事实，由此就有了学生答卷得失分的更进一步的细节性 数据信息，而非传统只有总分这样单一的呈现模式，为进一步 采用现在基于数据的机器学习――聚类方法对同类教师进行聚 类分析提供了可能。从而可开展针对聚类后的同类教师进行教 学研讨、培训，以有的放矢地提升教师教学能力。本研究以《 大学计算机》课程无纸化考试成绩为例开展对教师教学进行评 价研究。对小学、初、高中教育开展同类研究有借鉴作用。 　　2 机器学习及其聚类算法 　　2.1 机器学习及相关技术 　　 机器学习是一门既“古老”又“兴”的计算机科学技术，早在 计算机发明之初，一些科学家就开始构想拥有一台可以具备人 类智慧的机器，图灵在1950年发表的论文《计算机器与智能》 （Computing Machinery Intelligence）[1]中提出了具有开创意义的“图灵测试”（Tu ring，Test），用来判断一台计算机是否达到具备人工智能的 标准。机器学习的任类种类很多，经典的两类任务有：监督学 习和无监督学习。监督学习包括分类问题和回归问题，关注对 事物未知表现的预测。无监督学习包括数据降维和聚类问题， 倾向于对事物本身特性的分析。 　　2.2 聚类及其算法。 　　 聚类是依赖于数据的相似性，把相似的数据样本划分为一簇， 类别内的数据相似度较大，类别间的数据相似度较小。聚类分 析的算法可以分为划分法（Partitioning Methods）、层次法（Hierarchical Methods）、基于密度的方法（density-based methods）、基于网格的方法（grid-based methods）、基于模型的方法（Model-Based Methods）。划分法代表有：K-MEANS算法、K- MEDOIDS算法、CLARANS算法等。层次法的代表有：BIRCH算法、 CURE算法、CHAMELEON算法等。网格法代表有：STING算法、CLI QUE算法、WAVE- CLUSTER算法等[2]。数据聚类是无监督学习的主流应用之一， 最为经典易用的聚类模型，当属K-Mena算法。 　　2.3 K-Means算法 　　K-MEANS算法是输入聚类个数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k个聚类的一种 算法。其算法过程如表1。 　　3 处理的数据及其相关技术 　　3.1 研究的基础数据 　　 该文研究的实验基础数据来源于学校大学计算机无纸化考试数 据及学校教学业务系统导出的数据，主要涉及两张表：表2为学 生成绩及得分情况表。表3?橛裳?校教学业务系统导出的教师任 课情况表。表中均为部分数据信息且具有真实性。 　　3.2 python语言 　　Python 是一门简单易学且功能强大的编程语言。它拥有高效的高级数 据结构，能够用简单而又高效的方式进行面向对象编程。Pytho n是免费开源的，这一特性使得大量专业、天才型的编程人员， 参与到Python第三方程序库的构建中，如便于向量、矩阵和复 杂科学计算的Numpy与scipy ；仿MATLAB样式绘图的Matplotlib ；对数据进行快捷分析和处理的Pandas；包含大量经典机器学 习模型的Scikit- learn；以及集成了上述所有第三方程序库的综合实践平台Ana