数据挖掘的理论方法及其在教学管理系统中的应

数据挖掘的理论方法及其在教学管理系统中的应用
 
摘要：数据挖掘是指从数据中发现隐含在其中的知识的1种实践过程，作为1种技术它已应用在很多领域，而在教育系统领域中它还很陌生。关联规则挖掘是数据挖掘领域中1个重要的研究方向,它研究的是事务数据库中各项之间的某种关联关系。本文从数据挖掘的理论与方法研究入手，主要探讨了关联规则挖掘及其方法，并且在经典的Apriori算法的基础上提出了1种改进算法，接着结合Microsoft SQL Server 2000平台进行数据库编程实现了上述两种关联规则挖掘算法在计算机学院教学管理系统中的应用。最后,对所挖掘出的规则进行分析,我们主要挖掘出了以下3类规则:第1类规则,验证了我院目前专业课程是比较科学、合理的。第2类规则,发现了1些目前没被发现或没有被引起重视的规则。第3类规则,符合事实但尚不能被教育理论解释的规则。
关键词：数据挖掘;关联规则;Apriori算法;教学管理系统
 
 
The Theory and the Application of Data Mining Technology In Educational Management System
 

Abstract: Data Mining is a process by which we can discover knowledge from much data,as a technology,it has been applied in many areas,but strage in educational area. Data Mining is a practical process means to mine the concealed knowledge in data, as a technology it has applied to many different fields, however, in the education system, it is still ufamiliar to people. Association Rule mining is an important branch of the Data Mining,which research the association relation of all items in the Database. The article proceeded with data mining theories and measures, mainly discussed association Rule mining and its technics, brings forward an improved arithmetic based on the classsical Apriori one, using the Microsoft SQL Server 2000 database programme, it realized the application of the above mentioned relation regulation mining arithmetic in our college. At last, we analyzed the mined rules and summarized the following three rules: first, validate that the professional courses of my college is scientific and reasonable; second, discover some rules that havent been mined or well regarded; third, somes rules that are accord with the truth but can not be explained by current education therory. （科教作文网 zw.nseac.com整理）
Keywords: Data Mining Ascorria; Association Rule; Apriori algorithm; Educational management syste
目  录
摘 要 Ⅰ
Abstract Ⅱ
前 言 1
1关于数据挖掘 2
1.1 数据挖掘技术的历史由来 2
1.2 数据挖掘的定义 2
1.2.1 技术上的定义及含义 2
1.2.2 商业角度的定义 3
1.3 数据挖掘的研究现状与应用 3
1.3.1数据挖掘的研究现状 3
1.3.2 数据挖掘的应用 4
2数据挖掘的理论及其方法技术 5
2.1 数据挖掘和知识发现 5
2.2 数据挖掘的功能 6
2.2.1 数据抽取 6
2.2.2 分类发现 6
2.2.3 聚类 7
2.2.4 关联和序列发现 7
2.2.5 估计与预测 7
2.2.6 偏差检测 7
2.2.7 其他分析 7
2.3 数据挖掘的过程 8
2.3.1 问题 8
2.3.2 取数据 8
2.3.3 初探数据 8
2.3.4 准备数据 8
2.3.5 挖掘数据（Mining the Data） 8
2.3.6 解释结果 9
2.3.7 运用知识 9
2.4 数据挖掘的方法 9
2.4.1 决策树方法（Decision Trees） 9
2.4.2 人工神经网络(Artificial Neural Networks) 10
2.4.3 遗传算法(Genetic Algorithms) 10
2.4.4 粗糙集方法（Rough Set Approaches） 10
2.4.5 模糊论方法（Fuzzy Set Approaches） 11
2.4.6 关联规则（Associations rule） 11

3关联规则挖掘 12
3.1 关于关联规则挖掘 12
3.2 关联规则的相关定义 12
3.2.1 项、项集、基本项集、k-项集 13
3.2.2 事务、事务数据库 13
3.2.3 关联规则 13
3.2.4 关联规则的支持度(Support)和置信度(Confience) 13
3.2.5 最小支持度阀值和最小置信度阀值、强关联规则 14
3.2.6 项集的出现频率 14
3.2.7 频繁项集、频繁k-项集 14
3.3 关联规则挖掘的分类 14
3.4 关联规则挖掘的步骤 15 内容来自www.nseac.com
3.5 经典的Apriori算法 15
3.5.1 算法的基本原理 15
3.5.2 算法描述 16
3.5.3 算法示例 17
3.5.4 改进技术 20
4 Apriori 算法的改进算法 22
4.1 两个基本的数学定理及证明 23
4.2 改进后的算法 24
4.3 举例验证 24
5教学管理系统上的关联规则挖掘 26
5.1 数据挖掘系统结构 26
5.2 选择开发语言与工具 28
5.3 数据预处理 27
5.3.1 数据集成 27
5.3.2 数据选择 27
5.3.3 数据清理 28
5.4 数据变换 28
5.5 基本策略 30
5.6 用Apriori算法的改进算法生成频繁项集 31
5.7 由频繁项集L2、L3、…输出关联规则的算法 32
5.8 运行程序和输出规则 32
6算法与挖掘结果分析 35
6.1 算法比较分析 35
6.1.1 挖掘参数选择 35
6.1.2 算法效率简析 36
6.2 由关联挖掘到相关分析 36
6.2.1 强关联规则不1定是有趣的 36
6.2.2 相关分析 36
6.3 挖掘结果分析 37
6.3.1 挖掘结果分类 37
6.3.2 验证了传统知识的规则 37
6.3.3 发现了新规律的规则 37
6.3.4 反映事实但尚未被认可的规则 38
6.4 挖掘结果中的冗余问题 39
总结与展望 40
总结 40
展望 40
参考文献 41
致 谢 42

 
前  言
数据挖掘是1个新兴的边缘学科，它汇集了来自机器学习、数据库、模式识别、统计学、人工智能，管理信息系统等多个学科的研究成果。数据挖掘已经成为了目前AI领域的1个研究热点，吸引了各个方面的专家学者们投身此领域的研究和开发工作，同时被许多的工商界人士看作是能够带来巨大回报的工具。

您可以访问中国科教评价网（www.NsEac.com）查看更多相关的文章。