基于FP-Growth的关联规则算法研究及其在高校教育大数据中的应用

发布时间：2020-03-19 07:04

【摘要】：在全球经济快速的发展下,人才的竞争成为了核心发展要素。为此,培养人才、重视人才成为各个高校发展的目标,传统的教学理念和教学体制已经不适应现代社会的发展。因此,教育改革中应当做到与时俱进,重视对大学生创新能力的培养,关注学生多元化的发展,挖掘学生的自身创造力。为了更好的培养学生的课外实践能力,根据本科人才培养模式改革的需要,我校制定了《吉林大学本科课外培养计划实施方法》和《吉林大学本科课外培养计划实施细则》。为加快我校教学管理信息化水平建设,提高教学管理工作的工作效率,制作了课外培养计划管理系统。课外培养计划系统记录了学生所有课外活动的成绩及获奖记录,这些课外成绩对于教育事业来说是一个宝贵的财富,通过分析这些数据可以帮助学校及教师更好的开展教学工作,对有针对性的提高学生的课外实践能力有着重要的作用。因此,本文将对学生课外培养计划成绩以及课内成绩进行关联分析。本文应用的是数据挖掘中的关联规则技术,来挖掘课内成绩和课外培养计划成绩之间的关联关系。本文研究了国内外数据挖掘的发展历史及研究情况,并通过对关联规则技术的研究,决定采用FP-Growth算法来对数据进行关联分析,为了适应本文要研究的数据特点,对FP-Growth算法进行了适当的改进。本文的目的是找出课外培养计划成绩与课内成绩之间的关联规则,课内成绩之间的关联规则对本文没有研究价值,因此改进后的FP-Growth算法获得的关联规则都是与课外培养计划成绩有关的,这样不仅便于对结果的分析,更加提高了算法的效率。采集数据后,对数据进行预处理,使用改进后的算法对处理后的数据进行关联规则的挖掘。最后,通过分析得到的关联规则,找出了有意义的关联关系,分析课内成绩和课外培养计划成绩之间的关联,进而分析出具体科目与学生实践能力之间的联系。得出的结果可以帮助学校制定有助于学生全面发展的教学计划,紧跟时代的潮流,培养现代化人才。
【图文】：

分类图,培养计划,分类图,实践活动

课外培养计划成果分类图

格结构,频繁项集

找出强关联规则是关联分析的最终目的。们设置 minSupport=0.5,minConfidence=0.6,s({啤酒，尿布})=0.6>0.酒，尿布})=0.75>0.6,可以得出{尿布}=>{啤酒}这条强关联规则。支持度的选择会影响结果的质量，最小支持度和最小置信度设置偏小时，会冗余的规则，影响我们对结果的分析；最小支持度和最小置信度设置偏导致很多规则无法被发现[23]。上面的定义我们可以看出，关联分析的过程主要分为两个步骤：1）找出频繁项集，频繁项集就是支持度大于最小支持度的项集的集合2）找出强关联规则，即置信度大于最小置信度的频繁项集原始寻找频繁项集的方法就是把数据中包含的所有项集作为候选集，将与所有事务进行比较，计算所有候选集的支持度，大于最小支持度的候频繁项集。设只有 5 个项，它的格结构如图 2.3 所示：
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：G642;TP311.13

【相似文献】