【文章內(nèi)容簡介】 最小時間內(nèi)出現(xiàn)比率一直高于某一最小百分比（閾值）的規(guī)則。這些規(guī)則會隨著形式的變化做適當(dāng)?shù)恼{(diào)整。聚類。數(shù)據(jù)庫中的數(shù)據(jù)可以劃分一系列有意義的子集，即類。在同一類別中，個體之間的距離較小，而不同類別上的個體之間的距離偏大。代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 15314056906分類。分類是數(shù)據(jù)挖掘中應(yīng)用最多的功能。分類是找出一個類別的概念描述，它代表了這類數(shù)據(jù)的整體信息，即該類的內(nèi)涵描述，一般用規(guī)則或決策樹模式表示。該模式能把數(shù)據(jù)庫中的元組映射到給定類別中的某一個。偏差檢測。數(shù)據(jù)庫中的數(shù)據(jù)存在著很多異常情況，從數(shù)據(jù)分析中發(fā)現(xiàn)這些異常情況也很重要，以引起人們對它更多的注意。偏差檢測的基本方法是尋找觀察結(jié)果與參照之間的差別。觀察結(jié)果常常是某一個域的值或多個閾值的匯總。參照是給定模型的預(yù)測、外界提供的標(biāo)準(zhǔn)或另一個觀察。預(yù)測。預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來預(yù)測未來數(shù)據(jù)的種類，特征等。典型的方法是回歸分析，即利用大量的歷史數(shù)據(jù)，以時間為變量建立線性或非線性回歸方程 [6]。 數(shù)據(jù)挖掘的數(shù)據(jù)預(yù)處理步驟由于原始數(shù)據(jù)來源于多個不同的應(yīng)用系統(tǒng)或數(shù)據(jù)庫，信息龐雜，缺乏統(tǒng)一的分類標(biāo)準(zhǔn)和信息的編碼方案，很難直接用于數(shù)據(jù)挖掘。且同一事物在數(shù)據(jù)庫中存在兩條或多條完全相同的記錄，或者相同的信息冗余地存在于多個數(shù)據(jù)源中。實(shí)際應(yīng)用系統(tǒng)中，由于系統(tǒng)設(shè)計(jì)的不合理或者使用過程中的某些因素，某些屬性值可能會缺失或者值不確定。噪聲是指一個測量變量中的隨機(jī)錯誤或偏離期望的孤立點(diǎn)值，產(chǎn)生噪聲的原因很多，人為的、設(shè)備的和技術(shù)的等。原始數(shù)據(jù)中通常記錄事物的較為全面的屬性，只需要一部分屬性就可以得到希望知道的知識 [3]。在數(shù)據(jù)預(yù)處理的初期，首先要對名稱和取值含義含糊的屬性進(jìn)行處理，賦予它們具有明確含義的名稱和取值。要保證在各個數(shù)據(jù)源中對同一事物特征的描述是統(tǒng)一的。一般的，原始數(shù)據(jù)中的關(guān)鍵屬性或唯一屬性對數(shù)據(jù)挖掘是無用的但通常要保留一個或多個必需的關(guān)鍵屬性或唯一屬性。有時候，原始數(shù)據(jù)中會出現(xiàn)意義相同或者可以用于表示同一信息的多個屬性，只要選取一個就可以了。當(dāng)然，在某次挖掘中可能同時需要這些重復(fù)屬性，此時這兩個屬性就表示不同的信息了，應(yīng)該同時保留。若一個屬性值缺失非常嚴(yán)重，只有極少數(shù)值保存下來的話，這樣的屬性應(yīng)該去除。如果屬性 X 可以由另一個或多個屬性推導(dǎo)或者計(jì)算出來，只選擇其中之一。記錄中的某一個屬性值缺失嚴(yán)重，則把該屬性排除在挖掘數(shù)據(jù)集之外。手工填寫空缺值，不能用來處理較大的和值缺失較多的數(shù)據(jù)集。對于離散值屬性，用一個常數(shù)代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 15314056907取代空缺值，會導(dǎo)致挖掘得出無用的規(guī)律，應(yīng)盡量少用此方法。對于連續(xù)屬性，計(jì)算所有記錄該屬性的平均值，用來填充空缺值。計(jì)算同類樣本記錄的該屬性平均值，用來填充空缺值。根據(jù)其他完整的記錄數(shù)據(jù)，使用一定的預(yù)測方法，得到最可能的預(yù)測值。在測量一個變量時可能產(chǎn)生一些誤差或者錯誤，使得測量值相對于真實(shí)值有一定的偏差，這種偏差稱為噪聲。為了除去這些噪聲，使數(shù)據(jù)接近真實(shí)值，可以采用分箱、聚類和回歸這些方法。數(shù)據(jù)挖掘所使用的數(shù)據(jù)通常是來自于多個數(shù)據(jù)存儲，所以經(jīng)常需要把多個數(shù)據(jù)存儲合并起來，這個過程稱為數(shù)據(jù)集成。而為了使數(shù)據(jù)符合算法和挖掘目標(biāo)的需要，如數(shù)據(jù)的取值范圍、粒度等，還需要對數(shù)據(jù)進(jìn)行變換。數(shù)據(jù)集成是將多文件或者多數(shù)據(jù)庫中的異構(gòu)數(shù)據(jù)進(jìn)行合并，然后存放在一個一致的數(shù)據(jù)存儲中，解決語義模型問題，主要工作涉及數(shù)據(jù)的沖突問題和不一致數(shù)據(jù)的處理問題。在數(shù)據(jù)集成過程中，通常需要考慮模式匹配、數(shù)據(jù)冗余和數(shù)據(jù)值沖突的問題。通常，原始數(shù)據(jù)表中的數(shù)據(jù)不適合直接用于數(shù)據(jù)挖掘，需要對它們進(jìn)行變換之后才能使用，數(shù)據(jù)變換涉及多個方面，主要包括數(shù)據(jù)變換的平滑、聚類、數(shù)據(jù)概化、規(guī)范化和屬性構(gòu)造等主要內(nèi)容。數(shù)據(jù)規(guī)約用于從原始數(shù)據(jù)中得到數(shù)據(jù)集的規(guī)約表示，數(shù)據(jù)規(guī)約的目的是為了獲得比原始數(shù)據(jù)小得多的，但不破壞數(shù)據(jù)完整性的挖掘數(shù)據(jù)集，該數(shù)據(jù)集可以得到與原始數(shù)據(jù)相同的挖掘結(jié)果。有多種方法用于數(shù)據(jù)規(guī)約，比如數(shù)據(jù)立方體聚集、維規(guī)約、數(shù)據(jù)壓縮、數(shù)值規(guī)約和離散化和概念分層。 決策樹算法分類算法是數(shù)據(jù)挖掘的一種非常重要的方法，是在已有數(shù)據(jù)的基礎(chǔ)上學(xué)會一個分類函數(shù)或構(gòu)造出一個分類模型，即通常所說的分類器。該函數(shù)或模型能夠把數(shù)據(jù)庫中的數(shù)據(jù)記錄映射到給定類別中的某一個，從而可以應(yīng)用于數(shù)據(jù)預(yù)測。而預(yù)測的目的是從歷史數(shù)據(jù)中自動推導(dǎo)出對給定數(shù)據(jù)的推廣描述，從而對未來數(shù)據(jù)進(jìn)行預(yù)測。二者的區(qū)別是分類模型輸出的是離散型的類別值，而預(yù)測通常建立連續(xù)值函數(shù)模型，輸出的也是連續(xù)數(shù)值。代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 15314056908決策樹是一種常用于分類、預(yù)測模型的算法，它通過將大量數(shù)據(jù)有目的的分類，從而找到一些有價(jià)值的、潛在的信息。它的主要優(yōu)點(diǎn)是描述簡單，分類速度快，特別適合大規(guī)模的數(shù)據(jù)處理。當(dāng)前國際上最具有影響的示例學(xué)習(xí)方法首推 的ID3（Interative Dicremiser versions3）。它的前身是 CLS（Concept Learning System）。CLS 的工作過程為，首先找出最有判別力的因素，然后把數(shù)據(jù)分成多個子集，每個子集又選擇最有判別力的因素進(jìn)行劃分，一直進(jìn)行到所有子集僅包含同一類型的數(shù)據(jù)為止。最后得到一棵決策樹，可以用它來對新的樣例進(jìn)行分類。 的工作主要是引進(jìn)了信息論中的互信息，他將其稱為信息增益（information gain），作為特征判別能力的度量，并且將建樹的方法嵌在一個迭代的外殼之中。一般來說，決策樹是一個類似于流程圖的樹結(jié)構(gòu)，通過根節(jié)點(diǎn)到葉節(jié)點(diǎn)的順序?qū)?shí)例進(jìn)行分類。其中每個節(jié)點(diǎn)表示在一個屬性上的測試，每個分支代表一個測試輸出，每個樹葉節(jié)點(diǎn)代表類或類分布。決策樹的最頂層節(jié)點(diǎn)是根節(jié)點(diǎn)。在決策樹中，一個實(shí)例的分類是從樹的根節(jié)點(diǎn)開始，測試該節(jié)點(diǎn)所代表的屬性，然后沿屬性取值的某個分支向下移動。不斷重復(fù)這個過程，直至到達(dá)葉節(jié)點(diǎn)，即得到該實(shí)例所屬的類。決策樹方法能夠生成可以理解的規(guī)則。由于系統(tǒng)的最終用戶是教師或教學(xué)管理者，他們往往不具備數(shù)據(jù)挖掘的知識，因此挖掘方法的可解釋性十分重要。而決策樹是以樹型結(jié)構(gòu)表示最終分類結(jié)果的，而且還可以生成 ifthen 形式的規(guī)則，這樣接近于人們對現(xiàn)實(shí)世界事物的認(rèn)知和表示方式。決策樹可以清晰的顯示出屬性的重要程度。決策樹是通過計(jì)算信息嫡選擇分裂屬性的，而信息嫡正是該屬性重要性的度量標(biāo)量。從直觀上看，決策樹節(jié)點(diǎn)所在的層次越高，該節(jié)點(diǎn)所代表的屬性就越重要，相反節(jié)點(diǎn)所代表的屬性對此次分類的作用就越小。那么，同一層次節(jié)點(diǎn)的作用基本相同，沒有明顯的大小之分。在影響教師教學(xué)質(zhì)量的因素中，我們可以很明顯地分清影響因素的主次，從而制定更符合實(shí)際的管理決策。 教學(xué)評估系統(tǒng)的需求分析現(xiàn)有的信息管理系統(tǒng)中的數(shù)據(jù)分析工具處理方式都是對指定的數(shù)據(jù)進(jìn)行簡單的數(shù)字處理，而不能對這些數(shù)據(jù)所包含的內(nèi)在信息進(jìn)行提取與挖掘，也就不能發(fā)現(xiàn)隱含的知識。隨著信息管理系統(tǒng)的廣泛應(yīng)用和數(shù)據(jù)量激增，人們希望更高層次的數(shù)據(jù)分析功代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 15314056909能，在海量的數(shù)據(jù)資源中提取出隱藏的有用信息，從而更好地對決策或科研工作提供支持。本系統(tǒng)所研究的就是對教學(xué)評估內(nèi)容的挖掘。各個學(xué)校都要對教師的教學(xué)情況進(jìn)行評估，由于教師數(shù)目很大，而且每個教師教好幾門課程，因此生成的數(shù)據(jù)是非常驚人的。如果學(xué)校部門想從中抽取某些有用信息，其工作量是可想而知的。該系統(tǒng)的開發(fā)的目標(biāo)是為了從這些大量的數(shù)據(jù)中抽取一定的有用信息，從而能讓學(xué)校有關(guān)領(lǐng)導(dǎo)從研究大量數(shù)據(jù)的任務(wù)中解脫出來，提高學(xué)校的工作效率，從而達(dá)到提高教學(xué)水平的目的。系統(tǒng)所完成的功能：系統(tǒng)連接數(shù)據(jù)庫；用戶需要密碼才可以登陸系統(tǒng)；在系統(tǒng)內(nèi)，用戶可以修改自己的密碼，添加或刪除用戶名及密碼；可以查看教師的信息資料，以及添加、刪除和修改信息；可以通過對教師個別信息進(jìn)行數(shù)據(jù)挖掘得出有用信息，從而向決策者提供可參考信息。 教學(xué)評估指標(biāo)體系的構(gòu)建 層次分析法層次分析法(簡稱 AHP 法)是美國運(yùn)籌學(xué)家 T 教授在 20 世紀(jì) 70 年代初期提出的一種簡便、靈活而又實(shí)用的多準(zhǔn)則決策的系統(tǒng)分析方法，其原理是把一個復(fù)雜問題分解、轉(zhuǎn)化為定量分析的方法。它需要建立關(guān)于系統(tǒng)屬性的各因素多級遞階結(jié)構(gòu)，然后對每一層次上的因素逐一進(jìn)行比較，得到判斷矩陣，通過計(jì)算判斷矩陣的特征值和特征向量，得到其關(guān)于上一層因素的相對權(quán)重，并可自上而下地用上一層次因素的相對權(quán)重加權(quán)求和，求出各層次因素關(guān)于系統(tǒng)整體屬性(總目標(biāo)層)的綜合重要度。 構(gòu)建教師教學(xué)評估體系模型由于對教師教學(xué)質(zhì)量的評估是一個多層次、多指標(biāo)的問題，在實(shí)際評估操作中，既要全面考慮各種影響因素，又要對各因素進(jìn)行適當(dāng)?shù)娜∩?，對有相似影響的因素要進(jìn)行整合，對因素的分布廣度和代表性也要進(jìn)行適當(dāng)考慮。在以上分析的基礎(chǔ)上，結(jié)合評估操作的實(shí)際情況，建立指標(biāo)體系，其結(jié)構(gòu)如圖 所示；并應(yīng)用層次分析法(AHP)對教師教學(xué)評估體系模型進(jìn)行科學(xué)的驗(yàn)證，最終逐一選出最佳評估指標(biāo) [11]。代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 153140569010 圖 教師教學(xué)評估指標(biāo)體系圖 中，B l 代表的是教學(xué)態(tài)度，其下又分為： Cl 代表的為教學(xué)態(tài)度端正，不遲到不缺課；C 2代表的重視輔導(dǎo)與批改作業(yè)；C 3代表的重視教學(xué)信息反饋；C 4代表的授課認(rèn)真，教材熟悉。B 2代表教學(xué)設(shè)計(jì)，分為：C 5代表的教學(xué)目標(biāo)明確；C 6代表的教學(xué)策略設(shè)計(jì)；C 7代表的教學(xué)過程設(shè)計(jì)；C 8代表的知識的科學(xué)性。B 3指教學(xué)內(nèi)容，其中分為：C9代表的先進(jìn)與實(shí)用性；C 10代表的學(xué)習(xí)能力的培養(yǎng)；C 11代表的情感態(tài)度與價(jià)值觀的滲透。B 4是教學(xué)方法，其下層有：學(xué)習(xí)方法指導(dǎo)性（C 12） ；教育方法的啟發(fā)性（C 13） ；組織教學(xué)的針對性（C 14） ；多媒體教學(xué)的應(yīng)用（C 15） 。B 5為教學(xué)能力，包含了：講述概念準(zhǔn)確，分析問題透徹（C 16） ；板書設(shè)計(jì)合理、規(guī)范（C 17） ；實(shí)驗(yàn)操作準(zhǔn)確（C 18） 。B5（教學(xué)能力）C1C8C5 C6 C7 C12 C13 C14 C15C18教師教學(xué)評估指標(biāo)體系（A）B1(教學(xué)態(tài)度)B2{教學(xué)設(shè)計(jì)}B3（教學(xué)內(nèi)容）B4{教學(xué)方法}C3 C4C2 C9 C10 C11 C17C16代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 153140569011 教師教學(xué)評估模型的求解過程構(gòu)造判斷矩陣在建立遞階層次結(jié)構(gòu)體系后，對同一層次的各元素關(guān)于上一層次中某一準(zhǔn)則的重要性進(jìn)行兩兩比較，構(gòu)造判斷矩陣，即針對每層中每項(xiàng)的各下屬因素，如評估準(zhǔn)則層B，各下層因素子準(zhǔn)則層 B1B 12，評估者要反復(fù)回答一個問題：每兩個因素針對它們所屬的上一層因素哪個重要，重要多少。比較教師教學(xué)質(zhì)量中的 n 個因素B={B1B2B3B4…BN}，分別判斷各指標(biāo)對教師教學(xué)質(zhì)量評估相對重要性，每次取因素 Bi和 Bj(1，2，3，…， n)，以 Bij 表示指標(biāo) Bi 和 Bj 對教師教學(xué)質(zhì)量評估體系的影響比值，從而得到判斷矩陣：B=(b ij)n?n其中 bij 0，b ij=1/ bij，(i ?j)，bij=1(i，j=1 ，2，?，n)；確定 b 需要采用 l~9 及其倒數(shù)的方法。表 判斷矩陣各因素重要程度分值Bi/Bj 同樣重要 稍微重要 明顯重要 很重要 極端重要Bij 1 3 5 7 9上述相鄰判斷的中間值 bij 分別取 8。得到矩陣如下： ?????????153142153142A ???????1543123B???????142513B ???????135B???????15271374B ???????12345B代做計(jì)算機(jī)畢業(yè)設(shè)計(jì) Android畢業(yè)設(shè)計(jì)、JAVA 畢業(yè)設(shè)計(jì) : 153140569012計(jì)算判斷矩陣中最大特征根的近似值的步驟（1）將矩陣的每一行各元素相乘并開 n 次方：?i=? aij?1/n, i=1,2,?n ()1??j（2）將近似特征量?=（? 1，? 2，?，? n） T 做歸一化處理：