改进K-means聚类算法对学生成绩的分析与评价.docxVIP

改进K-means聚类算法对学生成绩的分析与评价 摘要：提出一种改进K-means聚类算法——cnnK-means算法，优化学生成绩分析.分析结果表明，语文和数学成绩联系最大，数学和英语成绩联系最小，英语成绩对学生成绩的分类影响最直接和也最明显.如果想要提高学生的整体成绩，教育者需要在英语方面做出更大的努力. 自动编码器1 改进的K-means算法———cnnK-means算法笔者提出一种与卷积神经网络输入：数据集合，k的值．输出：k个簇．步骤：（1）设置k的值；(2）计算距离，并按最近原则把其他所有数据对象分到各个簇；(3）计算簇内所有数据对象的平均值，把数据点放到最近的类里；(4）重复2,3，步，当簇心固定不变时，算法结束，将聚类的结果输出．2 实验结果与分析本文选择南充市某小学学生期末成绩数据作为分析对象，选取学生的语文、数学、英语成绩作为实验数据，通过实验结果对比来验证cnnK-means的有效性．实验包含两个部分：利用原始的自编码器处理学生成绩，用K-means算法进行聚类；利用改进后的自编码器对学生成绩进行处理，使用K-means算法聚类．cnnK-means算法的参数设置：·n＿hidden＿1设置为3,n＿hidden＿2为512,n＿hidden＿3为1024,n＿hidden＿4为512,out＿put＿dim为200;·聚类数num＿of＿clusters设置为2;·卷积层为6，卷积核大小是2，卷积核数量为64;·激活函数选择“relu”函数，strides为1,pooling为2，池化步数ps为2.成绩数据包含语文、数学、英语3科，所以将n＿hidden＿1设置为3,out＿put＿dim为200．也就是将三门成绩升维为200维，聚类数num＿of＿clusters设置为2．聚类结果见图2．将图2与原自编码器处理后的聚类结果图1对比．可以看出，加入CNN改进后的自编码器聚类效果更好，特别是对于0类学生成绩，聚类结果的分布相当靠拢．虽然1类学生成绩数据相对来说聚类效果对比不是特别明显，但是总的效果还是要好一些．图2与图1的矩阵图对比表明，改进前后的矩阵图总体上相差不大，说明语文和数学成绩联系最大，数学和英语成绩联系最小，可能是由于学生理解能力对语文的影响．理解能力是学习的基础，对问题解决的前提是要理解问题，然后才能分析解决问题．因此，教育者不要单纯为了提高学生的成绩而仅依靠增加练习来完成，要注意多科之间的关系；不要单纯地只提高学生的分数，要注意学生能力的提高，比如理解力、记忆力、表达力等，当学生的各方面的能力提高了，各学科成绩自然会提高．语文、数学、英语3科考试成绩3 结语本文提出cnnK-means算法，对研究对象的期末成绩做了分析．研究结果表明，影响学生成绩的因素主要有学校、家庭和学生自己三方面．教育者可根据不同的分类情况，采取个性化的教学方法教学．建议学校方面要把培养学生的能力放在首位，学生家长要关注孩子记忆力、表达力、理解力和观察力的提高．