基于决策树算法的考试成绩分析系统的研究与开发

论文摘要

在高职院校的教学管理中,特别是学生成绩管理工作中,每年产生大量的学生成绩数据,但对这些数据的处理还停留在简单的数据备份、查询及简单统计阶段,并没有对这些成绩数据进行深入的分析,找到有利于教学管理的信息,这是对教学信息资源的浪费。数据挖掘技术正是解决这个问题的可行而有效的方法。数据挖掘是一个新兴的边缘学科,经过十几年的努力,数据挖掘在许多领域都取得了广泛的应用。本文着重研究了数据挖掘分类算法,对决策树ID3算法、C4.5算法的理论进行了详细的介绍和分析,通过对各种常用分类算法的比较研究,总结了各种分类算法的优点和缺点,为选择使用C4.5决策树算法提供了依据。针对C4.5算法计算量大的缺点,利用高等数学中的等价无穷小原理提出了改进的C4.5算法,减少了计算量,提高了构造决策树的效率,并用UCI中的数据集对C4.5算法和改进后的C4.5算法进行了对比试验。为了使数据挖掘中的决策树算法应用在高职学生的成绩分析中,提出了决策树算法在高职院校学生成绩分析中的应用方案,构建了成绩分析模型;并对学生成绩数据库中的成绩进行了数据清理、数据转换、数据削减等数据预处理,处理了空缺数据、将连续值属性离散化,建立了数据挖掘数据库。使用改进后的C4.5决策树算法生成决策树,由决策树产生分类规则,从分类规则中找出影响高职学生学习成绩的主要因素,为学院教学管理部门和教师有针对性的提高教学质量提供有力的数据支持;对高职院校计算机应用技术专业的课程设置体系进行了简单的探讨。

论文目录

• 摘要
• Abstract
• 插图索引
• 表格索引
• 第1章 绪论
• 1.1 论文背景
• 1.2 国内外研究现状及进展
• 1.3 课题来源及意义
• 1.4 研究内容
• 1.5 论文结构
• 第2章 相关知识
• 2.1 数据挖掘技术
• 2.1.1 数据挖掘的定义
• 2.1.2 数据挖掘的对象
• 2.2 数据挖掘的分类
• 2.2.1 关联分析（Association Analysis）
• 2.2.2 聚类分析（Clustering）
• 2.2.3 分类（Classification）
• 2.2.4 预测（Predication）
• 2.2.5 时序模式（Time.Series Pattern）
• 2.2.6 偏差分析（Deviation）
• 2.3 数据挖掘的过程
• 2.4 数据挖掘的方法和技术
• 2.4.1 归纳学习法
• 2.4.2 聚类方法
• 2.4.3 统计分析方法
• 2.4.4 仿生物技术
• 2.4.5 可视化技术
• 2.4.6 模糊数学方法
• 2.4.7 其它方法
• 2.5 数据挖掘的应用领域
• 2.6 决策树分类方法
• 2.6.1 决策树算法的发展
• 2.6.2 决策树类型与生成过程
• 2.6.3 剪枝
• 2.6.4 分类模型的评估方法
• 2.6.5 决策树评价指标
• 2.7 典型的决策树算法—ID3 算法
• 2.8 本文采用的数据挖掘方法
• 2.9 本章小结
• 第3章 一种改进的C4.5 算法
• 3.1 C4.5 算法
• 3.2 C4.5 如何估算错分率进行剪枝
• 3.3 C4.5 算法的应用举例
• 3.4 C4.5 决策树算法改进的原理
• 3.4.1 信息熵的简化
• 3.4.2 改进的C4.5 算法
• 3.4.3 改进的C4.5 算法应用
• 3.5 实验结果分析
• 3.5.1 生成的决策树分析
• 3.5.2 性能分析
• 3.6 本章小结
• 第4章 学生成绩分析系统的设计
• 4.1 高职院校成绩分析的研究内容
• 4.2 现有成绩分析的不足
• 4.3 学生成绩分析系统设计
• 4.3.1 解决方案
• 4.3.2 系统总体框架设计
• 4.3.3 数据库设计
• 4.3.4 数据预处理
• 4.4 编程环境
• 4.5 本章小结
• 第5章 改进的C4.5算法在学生成绩分析系统的应用
• 5.1 基于相关性属性决策算法生成决策树模型
• 5.2 所学课程之间关系的求解
• 5.3 相关性研究对教育的指导意义
• 5.4 本章小结
• 结论与展望
• 总结
• 展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢