《数据挖掘技术在学生考评分析中的应用研究》由会员分享，可在线阅读，更多相关《数据挖掘技术在学生考评分析中的应用研究（24页珍藏版）》请在金锄头文库上搜索。
1、软件工程专业优秀论文软件工程专业优秀论文 数据挖掘技术在学生考评分析中的应用研数据挖掘技术在学生考评分析中的应用研究究关键词：数据挖掘关键词：数据挖掘 学生考评学生考评 成绩分析成绩分析 聚类分析算法聚类分析算法 关联规则关联规则摘要：随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧 膨胀，学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简 单结论外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引 入到学生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数 据挖掘知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析 算
2、法；然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚 类分析算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。学校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性， 适当组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手， 提高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则 发现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另 外，还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树 立起一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素
3、质； 并且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提 高学校办学质量。正文内容正文内容随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨 胀，学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单 结论外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入 到学生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据 挖掘知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算 法；然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类 分析算法，并把实现的算法应用于所建立的学
4、生考评数据库中进行挖掘研究。 学校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适 当组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手， 提高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则 发现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另 外，还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树 立起一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质； 并且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提 高学校办学质量。 随着高校办学规模的扩展，在校学生
5、人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互
6、相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含
7、在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模
8、式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述
9、了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个
10、导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚
11、类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学
12、校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科
13、之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外，还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的
14、一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用
15、 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨胀， 学生考评数据分布越来越复杂，除了传统的学生成绩分析得到的一些简单结论 外，还有一些不易察觉的信息隐含在其中，因而论文把数据挖掘技术引入到学 生考评分析中，希望找到影响学生素质的真实原因。 本文首
16、先在对数据挖掘 知识透彻理解的基础上，着重阐述了 Apriori 算法和 kmeans 聚类分析算法； 然后建立基于学生考评的数据库，最后实现 Apriori 算法和 kmeans 聚类分析 算法，并把实现的算法应用于所建立的学生考评数据库中进行挖掘研究。 学 校可以利用 Apriori 关联规则所揭示的学生在学习中学科之间的相关性，适当 组合学科课程，使相关学科互相促进共同提高，引导学生从强势学科入手，提 高相对较弱的学科，最终使学生在学业上均衡发展；利用 Apriori 关联规则发 现的学生培养模式，合理设计课程开设和学生第二课堂活动的安排次序；另外， 还可以利用学生考评数据库对学生进行 kmeans 聚类分析。最终为学生树立起 一个导向性目标，激励学生努力地朝着这个目标靠近，从而提高自身素质；并 且可以为高校在学生培养工作的开展与改进方面提供有效的指导和帮助，提高 学校办学质量。 随着高校办学规模的扩展，在校学生人数的增加，学生的相关数据急剧膨
