论文部分内容阅读
教育信息化的发展,导致教育领域的各类数据迅速增长,从而促使了教育数据挖掘研究成为热点。教育数据挖掘是一个将来自各教育系统的原始数据转换为知识的过程,这些知识可为教师、学生、家长、教育管理人员以及教育软件系统开发人员所利用。教育数据挖掘在国内外研究普遍较晚,目前国内仍处于发展初期。如何把高校存储的数据转变为知识,并为教育决策过程服务,已成为教育工作者所关注的问题。本文针对高校的教学成绩及一卡通等教育数据进行挖掘分析,建立了一个学籍预警与决策支持系统。系统采用数据仓库、数据挖掘技术、知识库和多维分析处理对数据进行分析处理,从而建立学籍预警与决策支持系统框架。该系统定期地从各数据源提取教学相关信息,经过预处理后存入数据仓库,在此基础上应用数据挖掘技术和多维分析处理进行数据深入分析和挖掘,挖掘得到的知识存入知识库。其中教育数据挖掘内容为:学生群体分类及各分类特征分析,学生成绩影响因素及成绩分类预测,包含过程预警;多维分析处理是对课程成绩等数据结合警示级别规则库进行多维分析,展示警示的结果和发展趋势,包含常规预警。本文挖掘结果以Web可视化,完成交互式查询和展现,完成学籍预警和决策支持。针对高校数据集特点,对CFSFDP(Clustering by Fast Search and Find of Density Peaks)聚类算法和NBC(Naive Bayes Classifiers)算法进行优化研究,提出NM-CFSFDP(CFSFDP based on Neighbor Distance Curve and Merging Clusters)和NBC-IBA(Na?ve Bayesian Classifier Based on Improved Bat Algorithm)算法。(1)为了提高CFSFDP算法的精准度和通用性,提出NM-CFSFDP算法。根据教育数据集分布不均匀、簇状明显且可能存在多密度峰值的特点,首先参考近邻距离曲线变化情况自动确定数据集密度阈值;然后用CFSFDP算法对数据聚类;最后对各类进行合并。实验及应用证明,针对普通数据集及多密度峰值数据集,NM-CFSFDP算法的聚类结果更精准,应用范围更广泛。(2)为了让贝叶斯分类器应能用于关联性分析并提高分类器的精准度,提出NBC-IBA算法。首先为属性赋予权值,既削弱条件独立性假设又可以利用权值进行属性关联性分析;然后为避免陷入局部最优解,用禁忌搜索机制和随机扰动算子对蝙蝠算法进行改进;最后采用改进的蝙蝠算法来自动搜索属性权值,优化朴素贝叶斯分类器。实验及应用表明,NBC-IBA算法提高了NBC的精准度。