數據挖掘技術在中等職業學校管理實踐中的應用研究論文

時間：2021-09-05 17:08:46 管理論文我要投稿

中等職業學校免學費申請理由推薦度：
中等職業學校教務處工作計劃推薦度：
數據管理制度推薦度：
數據安全管理制度推薦度：
學校數據安全管理制度推薦度：
相關推薦

　　摘要：我國中等職業教育的學校規模、在校生人數等都有了很大的發展，高效的數據管理對學校發展起到越來越重要的作用。利用Hash樹和Fp樹對Apriori算法對學生信息、教學信息、后勤信息進行分析和研究，并進行優化和實施關聯規則挖掘，用遺傳算法對挖掘成果進行優化，以此來推動中等職業教育的發展。

數據挖掘技術在中等職業學校管理實踐中的應用研究論文

　　關鍵詞：數據挖掘；關聯規則；遺傳算法

　　1引言

　　信息時代的計算機數據存儲技術等得到了飛速發展。大量的數據與數據分析處理方法相互結合產生了數據挖掘技術，目前數據挖掘是在許多領域和方面得到了廣泛應用的技術。隨著中等職業教育的發展，提高職業教育質量已成為一個系統工程。目前職業學校已存儲了以學校教學實踐為中心的大量數據，但是其背后所蘊含的大量有用信息并未得到發現和利用，主要是因為利用分析方法不適應職業學校的大量復雜數據。利用數據挖掘技術從中發現有價值的信息可以指導職業學校教學、就業、后勤等各方面的管理，提高管理效率，降低成本，推動職業教育更好的發展。

　　2關聯規則挖掘算法

　　2.1Apriori算法及改進

　　Apriori算法是關聯規則挖掘的基本算法，它利用項集的先驗性知識和層次順序的循環搜索方法來發現頻繁項集，首先產生頻繁1-項集L1；然后利用L1來產生頻繁2-項集L2，不斷循環下去直到無法發現更多的頻繁K-項集為止。

　　從兩個方面對Apriori算法進行改進。

　　2.1.1利用HASH樹對支持度進行計數

　　HASH樹根節點為空，用HASH函數來決定內部節點的分支走向，遍歷HASH樹可以對候選項集支持度進行計數，用HASH樹對候選項集的支持度進行計數，避免了窮舉法對事務中的每個項集與候選項集進行比較，而是進行了分類，降低了支持度計數的任務量。

　　2.1.2用FP樹提取頻繁項集

　　FP樹(frequentpatterntree)實現了對數據的緊湊表示，可以從該結構中直接提取頻繁項集。FP樹之中的一條路徑所表示的數據序列對應一條事務中的數據，對于不同事務中相同的數據項對應的FP樹中的路徑可以重疊，從而實現了事務數據的緊湊表示。FP樹的節點包括數據項的標記和計數，計數表示經過該路經的事務個數。

　　（1）對各數據項的數據按照它們的支持度計數的遞減順序排序，從而調整數據集中各數據的次序。

　　（2）由數據集構造FP樹，對第一個事務創建從根節點到事務中各數據的路徑并進行支持度計數。

　　（3）繼續讀入事務，與創建過路徑的事務進行比較將新事務加入FP樹，如果與創建過的事務有相同的路徑則合并相同的路徑，相應節點支持度增加，不同路徑增加不同的分支，進行支持度計數。

　　（4）繼續該過程直到所有的事務都映射到FP樹。

　　（5）由FP樹依據不同的結尾進行劃分，產生以其為后綴的路徑。

　　（6）不同的后綴產生相應的頻繁項集。

　　2.2關聯規則的發現

　　由頻繁項集可以較為容易地產生相應的關聯規則，可以通過計算置信度來獲得強關聯規則，關聯規則的操作為：

　　2.2.1對于每個頻繁項集L產生所有的非空子集。

　　2.2.2對于L的非空子集,如果c(L-)=≥min_s，則產生(L-)的關聯規則,min_s為最小置信度閥值。

　　3學校信息的數據挖掘

　　3.1對學校信息進行關聯挖掘

　　下邊以有代表性的學生就業方面信息為例來進行分析。就業信息庫中的數據項包括：學生的編號、成績、學生干部、操行等級、實踐動手能力、就業單位，其中編號為學生的唯一標識。為了便于數據存取現在對各數據項的內容進行編號，其中成績項分為：優(a1)，良(a2)，一般(a3)；學生干部分為：是(b1)、不是(b2)；操行等級程度分為：良(c1)、優(c2)、一般(c3)；實踐動手能力分為：強(d1)、較強(d2)、一般(d3)。就業單位分為：大型公有企業(e1)、大型私企(e2)、一般公有企業(e3)、一般私企(e4)。

　　現有部分學生就業信息：

　　學生信息庫中共有125條學生就業方面的信息，應用挖掘軟件對其進行數據挖掘，最小支持度選定為0.3，最小置信度選定為0.5。其數據信息和挖掘結果如下所示：

　　在該就業數據庫中就業信息處于最主要的地位，也最有分析價值和現實意義。為了挖掘就業方面的關聯規則，發現影響就業情況的因素，從挖掘結果中提取“結論”含有就業數據項(e1,e2,e3)的規則，得到的規則表達式和可信度為：

　　（1）b1|c2e1confidence=0.84

　　（2）b1e1confidence=0.62

　　（3）b1|d2e1confidence=0.62

　　（4）c2|d2e1confidence=0.58

　　（5）b2e2confidence=0.52

　　（6）c2e2confidence=0.56

　　（7）b2|c2e2confidence=0.91

　　（8）a2e2confidence=0.64

　　由1至4式得：學生干部且操行達到優、學生干部、學生干部并且實踐動手能力較強、操行達到優且實踐動手能力較強到大型公有企業就業的可能性分別為0.84、0.62、0.62、0.58。

　　分析可以得到如下結果：學生干部和操行等級對進入大型公有企業就業有著重要影響，同時也應該提高實踐動手能力。

　　由5到8式得：不是學生干部、操行達到優、不是學生干部且操行達到優、學習良好到大型私企的可能性分別是0.52、0.56、0.91、0.64。

　　分析得：操行等級和學習成績對進入大型私企有較大的影響，同時是學生干部對進入大型私企沒有進入大型公有企業的影響力大。

　　3.2遺傳算法對挖掘結果的優化

　　遺傳算法是模擬生物的遺傳、變異、選擇、淘汰等自然選擇和遺傳機制，以隨機的形式將最適合目標的種群通過重組產生新的一代。該算法是一種全局優化算法，適合于較大空間的優化問題，具有并行性、糾錯能力強和可操作性的特點。在數據挖掘中會遇到搜索尋求可行解或最優解，需要處理海的量數據要花費很長時間，遺傳算法的啟發式解決問題的方法可以應用到這一方面。

　　由上面得到把各種要素對就業的.影響可以用數學函數來表示，影響作用的大小對應函數值的大小。下面利用遺傳算法對挖掘結果的優化，流程圖如下。

　　具體應用中就業情況受多個因素的影響，先抽取最有影響的兩個因素建立模型函數，下邊以函數y=(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)為例來分析，其中y為學生的就業情況好壞的量化表示，x1、x2分別是操行等級和動手實踐能力。程序中的類型定義為：

　　intpopsize;//種群大小

　　intmaxgeneration;//最大世代數

　　doublepc;//交叉率

　　doublepm;//變異率

　　doublefitness;//適應度

　　intgeneration;//世代數

　　structindividualbestindividual;//最佳個體

　　structindividualworstindividual;//最差個體

　　structindividualpopulation[POPSIZE];

　　各函數說明如下：

　　（1）voidgenerateinitialpopulation()和voidinput()初始化種群和遺傳算法參數。

　　input()函數輸入種群大小，染色體長度，最大世代數，交叉率，變異率等參數。

　　（2）voidcalculateobjectvalue()計算適應度函數值。根據給定的變量用適應度函數計算然后返回適應度值。

　　（3）選擇函數selectoperator()，在函數selectoperator()中首先用rand()函數產生0～1間的選擇算子，當適度累計值不為零時，各個體適應度占總適應度的百分比與選擇算子值比較，達到選擇算子規定值的那個體被選出，即適應度為fi的個體以fi/∑fk的概率繼續存在；顯然，個體適應度愈高，被選中的概率愈大。但是，適應度小的個體也有可能被選中，以便增加下一代群體的多樣性。

　　（4）染色體交叉函數crossoveroperator()是遺傳算法中的最重要的函數之一，它是對個體兩個變量所合成的染色體進行交叉，而不是變量染色體的交叉，這要搞清楚。首先用rand()函數產生隨機概率，若小于交叉概率，則進行染色體交叉，同時交叉次數加1。這時又要用rand()函數隨機產生一位交叉位，把染色體的交叉位的后面部分交叉即可；若大于交叉概率，則進行簡單的染色體復制即可。

　　（5）染色體變異函數mutation()，變異是針對染色體字符而言的，而不是對個體而言，即個體變異的概率是一樣。隨機產生比較概率，若小于變異概率，則1變為0，0變為1，同時變異次數加1。

　　（6）longdecodechromosome(char*,int,int)，本函數是染色體解碼函數，它將以數組形式存儲的二進制數轉成十進制數，然后才能用適應度函數進行計算。

　　（7）voidfindbestandworstindividual()，本函數是求最大適應度個體的，每一代的所有個體的適應度都要和初始的最佳個體比較，如果大于就賦給最佳個體。

　　（8）voidoutputtextreport()，本函數輸出種群統計結果。

　　運行結果如圖3.4所示為：

　　設定種群大小為150，最大世代數為80，交叉率為0.5，變異率為0.05，運行結果如圖3.4所示，由此得到y=(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)的最大值約為47.86，即：整體學生操行等級和動手實踐能力對就業的影響程度為47.86。這為大量數據的最優求解問題提供一種參考方法，具有很大的借鑒意義。上述分析方法也有很大的局限性，主要是選擇合適的評價函數即適應度函數問題。

　　4結論

　　目前，數據挖掘技術在職業學校信息管理中的應用還處于起步階段，但是由于其在數據處理、分析、組織以及信息挖掘等方面所表現出來的巨大潛力，相信不久的將來,隨著數據庫的不斷膨脹和數據挖據技術在職業學校信息管理中應用的不斷深入，為我國職業學校的跨越式發展起到一個科學導向作用。

　　參考文獻：

　　[1]陳安，陳寧，周龍驤.數據挖掘技術與應用.北京：科學出版社，2006

　　[2]Pang-NingTanMichaelSteinbachVipinKumar.數據挖掘導論.北京：人民郵電出版社，2006

　　[3]李本貴．數據挖掘在高校后勤中的應用．企業技術開發，2006(2)：22~23

　　[4]錢能.C++程序設計教程.北京：清華大學出版社，1999

　　[5]張儒良，王翰虎.論數據挖掘優化教學管理.2004(2)：133~155

　　[6]谷瓊，朱麗，蔡智華，袁紅星.基于決策樹的高校研究生信息庫數據挖掘.電子技術應用，2006(1)：21~22

【數據挖掘技術在中等職業學校管理實踐中的應用研究論文】相關文章：

高校管理數據挖掘技術的應用論文09-18

數據挖掘技術的研究論文09-12