数据挖掘技术在高职教学中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇数据挖掘技术在高职教学中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：对数据挖掘技术在高职教学中的应用问题进行了研究分析，探究了高职数据挖掘技术应用于教学具体的操作办法，结合高职学生考试成绩阐述了数据挖掘技术的应用过程。

关键词关键词：数据挖掘；决策树；分类规则

中图分类号：TP392文献标识码：A 文章编号：16727800（2014）002012403

0引言

数据挖掘技术能够全面深入分析数据信息，为决策提供重要依据。教学评价中运用数据挖掘技术可以起到很好效果。如通过数据库平台来分析学生考试成绩，对考试成绩进行全面分析，探究各种影响因素，帮我们找到影响学生成绩的相关因素，发现其内在联系，这是传统教学评价模式做不到的。利用数据挖掘技术获得评价结果，可以更好地指导日常教学工作。

在传统教学评价模式中，数据信息基本上从数据库中提取，然后进行处理分析。而在本研究中，笔者提出了基于数据挖掘技术的C4.5分类处理法，对数据进行分类，便于处理分析。具体步骤如下：①确定数据挖掘目标和对象：在数据挖掘应用中，首先要提出明确的任务目标，这十分关键，虽然处理结果具有不确定性，但任务目标是可以提前确定的，盲目地进行数据挖掘是没有效果的，也不可能成功；②收集数据信息：这一环节任务比较繁重，需要花费大量时间精力。在教学过程中，教师要及时了解学生情况，认真收集有关数据信息，可以直接利用现成数据，也可以通过调查方式获取数据，不断改进教学工作；③数据转换：教师收集数据后，要把数据信息进行整合，转换到相应的数据分析模型中。由于数据分析模型和计算方法有着密切联系，所以计算方法不同，其相应的数据分析模型也不同；④数据分类挖掘：其目的在于建立数据分类模型，合理选择计算方法，并运用相应的系统软件来运行计算规则。数据完成模型转换后，再对数据进行挖掘处理；⑤分类结果评估：即对数据分类处理结果进行评价分析；⑥成果运用：教师基于数据挖掘处理结果来指导教学实践活动，对教学方法策略进行调整完善，不断改进教学工作。

下面通过实例分析来介绍数据挖掘技术应用。

1数据挖掘技术在高职教学中的实施

1.1确定挖掘对象及目标

在本研究中，利用笔者学校办公软件应用操作技能考核系统，收集了380位学生的数据信息，尝试通过分析数据找出计算机基础操作学习的影响因素，从而提高学校计算机基础教学水平。

1.2数据采集

办公软件应用操作技能考核系统可以自动批改学生计算机操作考试，最终成绩分为三栏，包括理论知识、操作应用、总成绩。

因为成绩是以文本形式打印出来的，所以还要把文本成绩数据输入到Excel软件中，便于系统处理分析。

在分析成绩前，首先要进行成绩录入，通常都是由人工操作完成，把学生成绩数据信息输入到系统软件后就可以开始分析处理了。成绩录入内容包括学生姓名、学号、理论考试成绩、文字输入成绩、文件管理成绩、Word表格制作成绩、Word排版成绩、Excel操作成绩以及总成绩。

本研究调查了380位学生的计算机操作课程成绩，有372人参与了调查，所占比例达到97.9%。

1.3数据预处理

（1）数据清理。通过分析调查表数据发现，尽管关注的一些项目数值较低，但考虑到数据挖掘处理特点，还是保留了这些记录。由于一些学生没有参加考试或者考试作弊，成绩表中没有他们的分数，也就不能进行分类挖掘，所以删除了这些学生的项目。清理后保留了360位学生成绩，在所有调查学生中占到96.8%。

（2）数据转换。主要是把数据转换到具体分析模型中。本研究中学生成绩分为三档：分数低于60分的，归为“差”；分数大于等于60分小于70分的，归为“中”；分数大于等于70分的，归为“良”；而在总成绩一栏，因为是分类评价项目，所以根据实际情况来划分，分数在0～69分的，评价为“一般”，属性标志为“N”；分数在70分以上的，评价为“优良”，属性标志为“Y”。

（3）数据集成。整合上面这两个数据表格，建立学生成绩数据库。

（4）数据消减。其目的在于减少数据挖掘对象，但必须保证不影响分析结果。在这里，采取消减维数的方法，即从初始特征属性中找出真正有用的特征属性，以减少数据挖掘时要考虑的特征属性或变量个数。

为建立决策树模型，本研究从实际出发，对成绩进行了分类，包括理论知识成绩、文字输入成绩、文件管理成绩、Word表格制作成绩、Word排版成绩、Excel操作成绩，在此基础上建立决策树模型。

2决策树分类器实现

VB是一种可视化设计软件，可以访问多种不同数据库。因此，本文选择VB软件来开发决策树分类器。关于决策树分类器作用，主要包括分类规则生成、决策树模型构建、决策树优化、浏览数据信息、保存分类规则。

在设计决策树分类器时没有加入数据预处理环节，这是由于决策树分类器主要供教学活动使用，数据信息量通常不会很大，所以可以用其它数据库软件来进行数据预处理。换句话说，必须先准备好分类处理数据，然后才能利用分类器建立决策树模型。

2.1打开数据文件

由于VB的数据控件使用Microsoft Jet数据库机制实现数据控制，可以访问多种数据库文件，因而本分类器可访问的数据包括Microsoft Access、dBase、Microsoft FoxPro、Microsoft Excel、Lotus等多种数据库或电子表格文件。

在分类器对话框中，可以点击“打开数据文件”选择相应文件，打开文件夹后就会在界面上看到所有数据信息。

2.2产生决策树

在数据分类挖掘处理中，决策树产生环节十分关键，主要是通过决策树分类计算来对数据进行分类处理。我们利用C4.5分类计算方法，建立了精确、完整的决策树模型。

该决策树模型建立以后暂时不用进行优化，目的在于让用户全面了解分类情况，所以分类器形成的决策树是没有经过任何处理的、最原始的模型。

2.3决策树修剪

决策树模型过度使用后，其性能会有所下降，而且会更加依赖历史数据信息，很难准确处理分析新的数据。因此，要及时修剪决策树，优化其性能，保证决策树模型有效运行。

但从训练数据角度看，决策树修剪过程很容易出现误差，所有必须严格控制。对于不同数据来说，其允许最大误差范围也不同，具有不确定性。因此，我们采取人为控制误差方法，这样可以灵活使用程序，为用户提供便利。然而，用户往往是根据自身经验来确定误差范围的，并且要反复尝试才能确定下来，因此，要建立一个误差设置操作平台，由用户自己设置允许最大误差率。

2.4生成分类规则

这里进行的是将决策树图形转换为if...then模式的分类规则。通过决策树，使用者可以很直观地看到分类的决策图形；由分类规则，使用者可以得到由文字表达的分类规则模型。

本研究主要是分析学生成绩影响因素，重点考虑优良成绩的影响因素，所以分类规则显示的是优良成绩所占比例。

2.5保存

这是一个让使用者保存决策树或分类规则的功能。使用者可以根据需要将所获得的决策树或分类规则保存。如果当前显示的是决策树，则保存决策树，如果显示的是if...then模式的分类规则，则保存分类规则。

2.6测试

上面的数据挖掘分析过程采用的是60位学生平时测验成绩。使用数据和之前分析模型中的数据相同，结果表明，利用数据挖掘技术建立的决策树模型具有很好的效果。

3结语

本研究基于笔者学校实际案例，因为每年不断扩招，学生数量急剧增加，学校教学质量受到很大影响，所以本文全面研究分析了教学质量影响因素，包括学生数量、理论知识教学比重、学生素质能力等，通过数据挖掘技术建立了分类处理模型，探究了计算机诸专业基础课学生学习成绩影响因素，找到问题所在，从而不断改进教学工作，帮助学生更好地学习。

参考文献：

[1]吴全胜，马敏.数据挖掘技术及其应用现状[J].科技信息，2009（33）.

[2]北京工业大学人工智能与知识工程研究室.数据挖掘介绍[EB/OL].http：///sci/multimedia/ai/subject/datamining.htm

[3]JIAWEI HAN， MICHELINE KAMBER. 数据挖掘概念与技术[M].范明，孟小峰，译.北京：机械工业出版社，2001.

[4]胡伏湘.高校信息化建设与数字化校园的研究[J].计算机教育，2005（10）.

[5]陈丽，陈根才.基于高校人事信息库的数据挖掘研究[J].计算机工程，2000（11）.