京 东 价：
[定价：￥]
PLUS会员专享价
增值业务：
重　　量：
搭配赠品：
所 在 地：北京 东城区
服务支持：
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
物联网的最优设计和数据适配技术-物联网工程研究
商品介绍加载中...
扫一扫，精彩好书免费看
服务承诺：
京东平台卖家销售并发货的商品，由平台卖家提供发票和相应的售后服务。请您放心购买！
注：因厂家会在没有任何提前通知的情况下更改产品包装、产地或者一些附件，本司不能确保客户收到的货物与商城图片、产地、附件说明完全一致。只能确保为原厂正货！并且保证与当时市场上同样主流新品一致。若本商城没有及时更新，请大家谅解！
权利声明：京东上的所有商品信息、客户评价、商品咨询、网友讨论等内容，是京东重要的经营资源，未经许可，禁止非法转载使用。
注：本站商品信息均来自于合作方，其真实性、准确性和合法性由信息拥有者（合作方）负责。本站不提供任何保证，并不承担任何法律责任。
印刷版次不同，印刷时间和版次以实物为准。
价格说明：
京东价：京东价为商品的销售价，是您最终决定是否购买商品的依据。
划线价：商品展示的划横线价格为参考价，该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品在京东平台上曾经展示过的销售价；由于地区、时间的差异性和市场行情波动，品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：如无特殊说明，折扣指销售商在原价、或划线价（如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价）等某一价格基础上计算出的优惠比例或优惠金额；如有疑问，您可在购买前联系销售商进行咨询。
异常问题：商品促销信息以商品详情页“促销”栏中的信息为准；商品的具体售价以订单结算页价格为准；如您发现活动商品售价或促销信息有异常，建议购买前先联系销售商咨询。
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
浏览了该商品的用户还浏览了
加载中，请稍候...
价　格： 到
　　　
iframe(src='///ns.html?id=GTM-T947SH', height='0', width='0', style='display: visibility:')欢迎来到千里马论文发表网
当前位置： >
关联规则算法在高职教学评价中的应用
发布时间： 14:26
摘 要：评价是一个复杂的过程，是指根据政策、法规和学校的人才培养目标、要求，运用评价的理论、方法和技术，对教师的素质、工作过程及工作绩效进行全面、客观、公正的价值判断的活动。因此，提高教学评价的科学性、客观性和准确性，是现代教学评价中一个十分重要的课题。本文结合无锡旅游商贸学校实际，提出了一套教师教学评价指标体系，在此基础上设计并实现了无锡旅游商贸学校教学质量评价系统。
关键词：数据挖掘；关联规则算法；教学评价
1引言 数据挖掘作为一个新兴的、多学科交叉的应用领域，正在各行各业的以信息分析为基础的决策支持系统活动中扮演着越来越重要的角色。关联规则挖掘作为数据挖掘的一个重要研究分支，其主要目的是用于发现数据集中项之间的相关联系，即关联规则。由于形式简单、易于理解，且是从大型数据库中提取知识的主要手段，因此，关联规则已广泛应用各个领域，用来检验行业内长期形成的知识模式，或发现隐藏的新规律，但在教育领域中的应用却并不广泛。 关联规则的发现可以分成两个步骤：首先发现所有频繁项集，然后用这些频繁项集生成强关联规则。Apriori算法是经典的频繁项目集生成算法，在数据挖掘界起着里程碑的作用，它的基本思想是利用一个层次顺序搜索的迭代方法来生成频繁项集，即利用K-项集来生成（K+1）-项集，用候选项集Ck找频繁项集Lk。这个方法要求多次扫描可能非常大的交易数据库。而用于关联规则挖掘的事物数据库的规模通常是非常大的，这样一来，开销就非常大。而在有限的内存容量下，系统I/O负载相当大，每次扫描数据库的时间就会很长，这样，其效率就非常低 本文借鉴国内外高校教师教学评价经验，结合无锡旅游商贸学校实际，提出了一套教师教学评价指标体系，在此基础上设计并实现了无锡旅游商贸学校教学质量评价系统。为了有效利用评价系统中收集到的大量数据，利用数据挖掘中的关联规则挖掘对这些数据进行数据挖掘研究。分析了关联规则挖掘中经典Apriori算法的性能瓶颈，给出了本文对Apriori算法的改进算法。最后，将该算法应用于教学质量评价数据和学生成绩数据的挖掘之中，分别得出了教学效果的好坏与教师职称、年龄之间的联系，某门课程的成绩好坏与其它课程成绩之间的联系。 2 Apriori算法及其过程描述 Apriori算法是现今研究关联规则中最具代表性的方法，虽然之后有许多算法被提出，但皆是依据此架构做改进或延伸。Apriori算法的基本思想是生成特定规模的侯选项目集，然后扫描数据库并进行计数，以确定这些侯选项目集是否频繁。具体实现过程是首先扫描数据库的所有事务，计算每个项目的发生次数，产生1候选集C1，再根据预先给定的最小支持度确定1频繁集L1。然后由L1*L1进行连接运算生成2候选集C2，再次扫描数据库中的所有事务，计算出C2中每个元素的出现次数，并根据预先给定的最小支持度确定2-频繁集L2。这一过程反复进行直到生成k频繁集Lk，并且不可能再生成满足最小支持度的k+1项目集。 改进Apriori算法的实现是系统设计时考虑的重点问题。根据需求描述，系统要求为某一生成的数据集运行数据关联规则挖掘(数据集已被转化为布尔数据集)，并将数据关联规则打印出来。此任务可以描述为：给定任意的布尔数据集、最小置信支持度和最低置信度，以某一算法(本系统使用改进Apriori算法)遍历挖掘其频繁项，并列出满足最低置信度数据关联规则的过程。 3数据挖掘在教学评价中的应用 课堂教学评价不仅对教学起着调节、控制、指导和推动作用，而且有很强的导向性，是学校教学工作的重要组成部分，是评价教学工作成绩的主要手段。学校每学期都要搞课堂教学评价调查，积累了大量的数据，而目前对教学评价主要基于数值计算，把学生的评价做一总结，将结果通报给老师，作为晋升职称、评优等的依据，系里对老师做一奖惩及引导，不曾做深层的思考。接触到数据挖掘技术后，笔者在考虑，从教学评价数据中进行数据挖掘，探讨教学效果的好坏与教师的年龄、职称之间有无必然的联系？课堂教学效果与教师整体素质关系如何?合理调配一个班的上课老师，使学生能够较好地保持良好的学习状态，从而为教学部门提供了决策支持信息，促使更好地开展教学工作，提高教学质量。 将上述关联规则的挖掘算法部分应用于无锡旅游商贸学校教务评价系统中，根据该校现有的评价结果数据可以获得一些关联规则。现以所有数据为例，采用教师职称，教师最高学历、教师年龄及教师教学评价结果等属性间的关联规则挖掘，随机从教学评价数据库中抽取教师教学质量评估数据200份，将年龄、职称和评定分数三项输入数据库，忽略其它信息。 大学教学内容专业化程度高，科学性强，信息量大，具有一定的宽广度和深度，并且大学课堂教学具有较强的学术性。中级职称以上教师科研水平较高，有宽广的知识面，在教学中经常鼓励学生刻苦钻研，向学生介绍学科的学术动态，指导学生进行科学研究，把教学与科研有机地结合起来，促进学生科研能力的增长，深受学生欢迎。初级职称教师还需多实践、多学习，努力提高自己的科研、教学水平。这样，在班级排课时，注意一个教学班中配备教师的年龄、职称合理分配，使学生能够较好地保持良好的学习状态，从而为教学部门提供决策支持信息，促使更好地开展教学工作，提高教学质量。
参考文献： [1] 魏红.我国高校教师教学评价发展的回顾与展望[J].高等研究.)：68-72. [2] 胡祖莹，魏红.教学评价中信息来源的可靠性研究[J].高等师范教育研究.1996(03)：38-43. [3] 魏红，胡祖莹. 影响学生评价教师教学效果的因素分析[J].中国评估.1994(01)：123-125. [4] 宋映泉，田勇强.评价课程还是评价教师——关于影响学生评教结果的若干因素的实证研究[J].中国高等教育评估.2000(03)：12-15.
千里马论文网：/jsj/js/155844.html
免责声明：本网站部分资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有
如有不愿意被转载的情况，请通知我们删除已转载的信息
鄂ICP备号-1数据挖掘之Apriori算法详解和Python实现代码分享_python
关联规则挖掘（Association rule mining）是数据挖掘中最活跃的研究方法之一，可以用来发现事情之间的联系，最早是为了发现超市交易数据库中不同的商品之间的关系。(啤酒与尿布)
1、支持度的定义：support(X--&Y) = |X交Y|/N=集合X与集合Y中的项在一条记录中同时出现的次数/数据记录的个数。例如：support({啤酒}--&{尿布}) = 啤酒和尿布同时出现的次数/数据记录数 = 3/5=60%。
2、自信度的定义：confidence(X--&Y) = |X交Y|/|X| = 集合X与集合Y中的项在一条记录中同时出现的次数/集合X出现的个数 。例如：confidence({啤酒}--&{尿布}) = 啤酒和尿布同时出现的次数/啤酒出现的次数=3/3=100%;confidence({尿布}--&{啤酒}) = 啤酒和尿布同时出现的次数/尿布出现的次数 = 3/4 = 75%
同时满足最小支持度阈值(min_sup)和最小置信度阈值(min_conf)的规则称作强规则 ,如果项集满足最小支持度,则称它为频繁项集
“如何由大型数据库挖掘关联规则?”关联规则的挖掘是一个两步的过程:
1、找出所有频繁项集:根据定义,这些项集出现的频繁性至少和预定义的最小支持计数一样。
2、由频繁项集产生强关联规则:根据定义,这些规则必须满足最小支持度和最小置信度。
Apriori定律
为了减少频繁项集的生成时间，我们应该尽早的消除一些完全不可能是频繁项集的集合，Apriori的两条定律就是干这事的。
Apriori定律1：如果一个集合是频繁项集，则它的所有子集都是频繁项集。举例：假设一个集合{A,B}是频繁项集，即A、B同时出现在一条记录的次数大于等于最小支持度min_support，则它的子集{A},{B}出现次数必定大于等于min_support，即它的子集都是频繁项集。
Apriori定律2：如果一个集合不是频繁项集，则它的所有超集都不是频繁项集。举例：假设集合{A}不是频繁项集，即A出现的次数小于min_support，则它的任何超集如{A,B}出现的次数必定小于min_support，因此其超集必定也不是频繁项集。
上面的图演示了Apriori算法的过程，注意看由二级频繁项集生成三级候选项集时，没有{牛奶,面包,啤酒}，那是因为{面包,啤酒}不是二级频繁项集，这里利用了Apriori定理。最后生成三级频繁项集后，没有更高一级的候选项集，因此整个算法结束，{牛奶,面包,尿布}是最大频繁子集。
Python实现代码:
复制代码 代码如下:
Skip to content
Sign up Sign in This repository
Enterprise
Fork 0 taizilongxu/datamining
branch: master
datamining / apriori / apriori.py
hackerxutaizilongxu 20 days ago backup
1 contributor
156 lines (140 sloc)
6.302 kb RawBlameHistory
#-*- encoding: UTF-8 -*-
#---------------------------------import------------------------------------
#---------------------------------------------------------------------------
class Apriori(object):
def __init__(self, filename, min_support, item_start, item_end):
self.filename = filename
self.min_support = min_support # 最小支持度
self.min_confidence = 50
self.line_num = 0 # item的行数
self.item_start = item_start #
取哪行的item
self.item_end = item_end
self.location = [[i] for i in range(self.item_end - self.item_start + 1)]
self.support = self.sut(self.location)
self.num = list(sorted(set([j for i in self.location for j in i])))# 记录item
self.pre_support = [] # 保存前一个support,location,num
self.pre_location = []
self.pre_num = []
self.item_name = [] # 项目名
self.find_item_name()
self.loop()
self.confidence_sup()
def deal_line(self, line):
"提取出需要的项"
return [i.strip() for i in line.split(' ') if i][self.item_start - 1:self.item_end]
def find_item_name(self):
"根据第一行抽取item_name"
with open(self.filename, 'r') as F:
for index,line in enumerate(F.readlines()):
if index == 0:
self.item_name = self.deal_line(line)
def sut(self, location):
输入[[1,2,3],[2,3,4],[1,3,5]...]
输出每个位置集的support [123,435,234...]
with open(self.filename, 'r') as F:
support = [0] * len(location)
for index,line in enumerate(F.readlines()):
if index == 0: continue
# 提取每信息
item_line = self.deal_line(line)
for index_num,i in enumerate(location):
for j in i:
if item_line[j] != 'T':
if not flag:
support[index_num] += 1
self.line_num = index # 一共多少行,出去第一行的item_name
return support
def select(self, c):
"返回位置"
stack = []
for i in self.location:
for j in self.num:
if j in i:
if len(i) == c:
stack.append(i)
stack.append([j] + i)
# 多重去重
import itertools
s = sorted([sorted(i) for i in stack])
location = list(s for s,_ in itertools.groupby(s))
return location
def del_location(self, support, location):
"清除不满足条件的候选集"
# 小于最小支持度的剔除
for index,i in enumerate(support):
if i & self.line_num * self.min_support / 100:
support[index] = 0
# apriori第二条规则,剔除
for index,j in enumerate(location):
sub_location = [j[:index_loc] + j[index_loc+1:]for index_loc in range(len(j))]
for k in sub_location:
if k not in self.location:
support[index] = 0
# 删除没用的位置
location = [i for i,j in zip(location,support) if j != 0]
support = [i for i in support if i != 0]
return support, location
def loop(self):
"s级频繁项级的迭代"
while True:
print '-'*80
print 'The' ,s - 1,'loop'
print 'location' , self.location
print 'support' , self.support
print 'num' , self.num
print '-'*80
# 生成下一级候选集
location = self.select(s)
support = self.sut(location)
support, location = self.del_location(support, location)
num = list(sorted(set([j for i in location for j in i])))
location and support and num:
self.pre_num = self.num
self.pre_location = self.location
self.pre_support = self.support
self.num = num
self.location = location
self.support = support
def confidence_sup(self):
"confidence"
if sum(self.pre_support) == 0:
print 'min_support error' # 第一次迭代即失败
for index_location,each_location in enumerate(self.location):
del_num = [each_location[:index] + each_location[index+1:] for index in range(len(each_location))] # 生成上一级频繁项级
del_num = [i for i in del_num if i in self.pre_location] # 删除不存在上一级频繁项级子集
del_support = [self.pre_support[self.pre_location.index(i)] for i in del_num if i in self.pre_location] # 从上一级支持度查找
# print del_num
# print self.support[index_location]
# print del_support
for index,i in enumerate(del_num): # 计算每个关联规则支持度和自信度
index_support = 0
if len(self.support) != 1:
index_support = index
float(self.support[index_location])/self.line_num * 100 # 支持度
s = [j for index_item,j in enumerate(self.item_name) if index_item in i]
if del_support[index]:
confidence = float(self.support[index_location])/del_support[index] * 100
if confidence & self.min_confidence:
print ','.join(s) , '-&&' , self.item_name[each_location[index]] , ' min_support: ' , str(support) + '%' , ' min_confidence:' , str(confidence) + '%'
def main():
c = Apriori('basket.txt', 14, 3, 13)
d = Apriori('simple.txt', 50, 2, 6)
if __name__ == '__main__':
############################################################################
Status API Training Shop Blog About
(C) 2014 GitHub, Inc. Terms Privacy Security Contact
Apriori算法
Apriori(filename, min_support, item_start, item_end)
filename:(路径)文件名
min_support:最小支持度
item_start:item起始位置
item_end:item结束位置
使用例子：
复制代码 代码如下:
import apriori
c = apriori.Apriori('basket.txt', 11, 3, 13)
复制代码 代码如下:
--------------------------------------------------------------------------------
The 1 loop
location [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9], [10]]
support [299, 183, 177, 303, 204, 302, 293, 287, 184, 292, 276]
num [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
The 2 loop
location [[0, 9], [3, 5], [3, 6], [5, 6], [7, 10]]
support [145, 173, 167, 170, 144]
num [0, 3, 5, 6, 7, 9, 10]
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
The 3 loop
location [[3, 5, 6]]
support [146]
num [3, 5, 6]
--------------------------------------------------------------------------------
frozenmeal,beer -&& cannedveg
min_support:
min_confidence: 0.
cannedveg,beer -&& frozenmeal
min_support:
min_confidence: 0.
cannedveg,frozenmeal -&& beer
min_support:
min_confidence: 0.
--------------------------------------------------------------------------------您所在位置： &
 &  & 
基于APRIORI算法和遗传算法的商务数据库关联规则挖掘模型研究.pdf53页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：200 &&
你可能关注的文档：
··········
··········
河北工业大学
硕士学位论文
基于APRIORI算法和遗传算法的商务数据库关联规则挖掘模型的
姓名：刘娜
申请学位级别：硕士
专业：计算机应用技术
指导教师：沈西挺
河北工业大学硕士学位论文
基于APRIORI算法和遗传算法的商务
数据库关联规则挖掘模型的研究
近年来，随着计算机技术的普及和数据库技术的发展，用数据库记录并保存数据已经
广泛应用到了社会生活的各个领域。尤其在商务界更是积累了大量的数据。如何找出数据
之间的关联，将信息转换成知识以供未来的决策已经成为近年来的热点问题。
以Apriori算法为核心算法的关联规则挖掘技术的出现使这一想法成为了可能。利用
关联规则来安排超市的进货、出货供应和货架安排是关联挖掘成功的典型范例。但是由于
数据形式及结构的多样性，Apriori算法也具有一定的局限性。
随着近年来人工智能的发展，一些智能算法也被广泛应用到了数据挖掘中。遗传算法
更是以它的混沌、随机、非线性为典型特征成为众多算法的首选。遗传算法利用生物学基
础，采用“优胜劣汰”的竞争机制，在一定范围与时间内寻求问题的最优解。所以，课题
决定融合Apriori算法和遗传算法构建挖掘模型来挖掘商务数据库中的关联规则。
课题详细研究了两大理论―数据挖掘理论和关联规则理论以及两大算法―Apriori
正在加载中，请稍后...
