《改进型Apriori算法在学生管理系统中的应用研究.doc》由会员分享，可在线阅读，更多相关《改进型Apriori算法在学生管理系统中的应用研究.doc（6页珍藏版）》请在三一文库上搜索。
1、改进型Apriori算法在学生管理系统中的应用研究 摘要：如今学生信息管理在高校管理工作中的地位已越来越突出，但由于学生信息管理工作内容繁多、数据庞大、数据来源格式不统一，在一定程度上给学生信息管理工作带来了困难。改进型Apriori算法在关联规则、数据挖掘技术的基础上更加具有针对性、准确性和优越性，这为基于改进型Apriori算法在学生管理系统中的应用提供了可能，有利于提高学生管理的效率和质量。 0 引言 目前，在学校管理工作中对于学生的信息管理越来越重视，但由于学生信息管理工作内容（如学生的资料、成绩、评估等）繁多、数据庞大、数据来源格式不统一，所以在一定程度上给学生信息管理工作带来了存储
2、、查阅、分析等方面的困难。如何提高学生信息管理工作的有效性，积极发挥学生信息管理系统的辅助作用，并充分挖掘学生在校各门课程成绩中的有效规则，成为各大高校需要重点研究的课题。因此，本文提出了基于改进型Apriori算法构建课程成绩分析模型，以提高学生管理系统的功能性，促进高校办学质量的不断提高。 1 关联规则算法 关联规则，即借助数据挖掘技术从海量信息数据库中分析和提取出高频数据项，进而挖掘出项组之间存在的关系规则，以实现对资源的有效利用。在实际应用领域，关联规则的理念得到了广泛应用，对于提高领域的服务质量具有较大帮助，在此基础上相关研究者提出了关联规则算法。基于数据挖掘技术的关联规则算法是一种
3、具有较强影响力的递推算法，在计算过程中以频集递推思想实现两个阶段的计算流程：寻找出数据信息中的全部频集，以频集生成同时满足最小支持度与置信度的强关联规则；排除最小置信度小于用户预定的生成规则，进一步搜索、扫描余下频集，对空间进行压缩、收缩操作，且需满足频繁项集置信度的不断提高。 若要在程序中实现关联规则，具体需要完成如下步骤：设计一个类，使之能够包含各种项集；进行PID对象的频繁项集判断，之后利用事务表存储方式完成SQL查询，以判断频繁项集是否满足标准；构造Lu为频繁项集的非空真子集，然后计算连接步，连接成功便会产生k+1的候选项集，并计算得出该项集的支持度，判断和标记频繁项集的标准为：支持度
4、2项集与其它各项进行自然连接，进而生成n的候选项目集，在数组Pn中以升序方式存储候选项目集；对二维数组进行扫描，以得出候选项“n-”集的支持度，在数组Pn中记录保存；将支持度计数小于最小支持度Pn的行、列删除，直至求解出全部的频繁项集。最后，将最终的频繁项集中的所有非空子集的置信度求解出来，以生成最终规则。 实际上，Apriori算法的改进主要体现在3个方面： （1）剪枝步的算法改进。根据Apriori的性质可以得出一个结论，即若是一个项目集符合频繁要求，则其全部子集也符合频繁要求，反之若为非频繁性，则其全部超集也属于非频繁性。通过连接Apriori算法生成了候选项集，并对候选项集的全部子集进
5、行频繁集判断，然后进行剪枝以降低过程中的负荷，从而有助于候选项集生成速度的提高。 （2）程序改进。转化数据表中的数据，使之成为二维数组中的数据，则不需要在数据库中进行各数据的记录、搜索和判断，候选项集判断是否符合频繁项集要求的效率显著提高，从而进一步促进了程序运行效率的提高。 （3）当频繁集生成之后，将其没有关联的行与列删除，从而拓宽存储空间，以实现数据读取速度、算法运行效率的提高。 3 应用实例分析 高校要想实现对学生的科学、有效管理，必须全面了解学生的信息与表现，对学生有一个合理的综合评价，才能在管理学生过程中有一个正确的决策判断。因此，学科成绩、综合评测成为高校管理学生的重要依据，构建以
6、这两方面信息为主的数据库模型，积极运用改进型Apriori算法进行挖掘和分析，是提高高校学生管理有效性的一个较好方法。本文以2009级机械工程专业毕业班学生为研究对象，基于毕业班学生的成绩建立原始数据库，运用改进型Apriori算法分析和挖掘这些原始数据，以挖掘出一些有利信息，为高校学生管理提供依据。 第一步：数据采集。2009级机械工程专业毕业班学生是本文的主要研究对象，首先需要采集所有毕业班学生的成绩，建立一个原始数据库，具体如表1所示。主要内容有：学号、姓名、课程名、成绩、学分、学时、选课性质。在已建成的原始成绩数据库当中，主要内容包括：48名学生、22门课程，共计1 056条记录。 第
7、二步：数据预处理。存储是数据预处理的重要准备工作，但过多的项目、复杂的课程名称等客观因素都会加大存储过程的难度，因而为了让存储过程更为简化，一方面可以将课程名用简单符号表示，利用数据转换方式有效提高数据预处理效率，另一方面可将一些无关项目删除。具体如表2所示，这是数据预处理后的数据表，学生姓名用学号表示，课程名用“字母+数字”表示，例如体育：C1，大学语文：C2，实习：C3，大学英语：C4，以此类推。 第三步：数据转换。以往数据来源格式不统一是造成系统数据转换困难的一大因素，因此在进行第三步“数据转换”操作之前应统一处理所有数据格式。之后，开始数据转换操作：引用关联分析对学生成绩进行挖掘，同时
8、转换预处理后的数据，使之成为逻辑型数据；以布尔型数据来表示学生的成绩数据表，为更好地表现出各学科之间的差异关系，在此需要进行简化操作。即：用“1”代表成绩在90分以上的数据，并表示事务中该项存在；用“0”代表成绩在90分以下的数据，并表示事务中该项不存在。 第四步：应用Apriori 算法进行数据挖掘。根据表1、表2的数据信息进行置信度和支持度设置，使其分别为0.6、0.2，然后在关联规则表中导入转换后的数据，同时应用Apriori算法计算、挖掘出科目和成绩之间的关联规则。部分关联规则的内容如表3所示。 由表3可知，大学语文、大学英语取得“优”的置信度都为62.25%，工程力学、机械制图取得“
9、优”的置信度都为64.26%。诸如此类，具有相同置信度情况的还包括机械制图和电工基础、工程力学和管理学。根据挖掘显示结果可以得出结论：工程力学、机械制图2个科目是较为重要的课程，因此在课程设置和管理中需要加大对这2个科目的重视程度。 4 结语 本文通过分析关联规则算法获得了改进型的Apriori算法，该算法在数据挖掘技术基础上更加具有针对性、准确性和优越性，能够有效提高应用领域的服务效率和质量，为基于改进型Apriori算法在学生管理系统中的应用提供了可能。本文还通过实例分析了改进型Apriori算法在学生管理系统中的具体运用，通过数据采集、数据预处理、数据转换、数据挖掘优化管理系统功能，对课程建设和提高教学水平发挥了积极作用。