徐建敏 區(qū)木華 熊金志

摘要：隨著體育事業(yè)的不斷發(fā)展，大部分體育信息都是用信息技術(shù)存取和積累的。面對龐大的數(shù)據(jù)庫和激烈的比賽競爭，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于體育領(lǐng)域?qū)蔀橐环N趨勢。該文研究數(shù)據(jù)挖掘技術(shù)的各種算法在體育訓(xùn)練中的應(yīng)用情況，對基于決策樹分類的網(wǎng)球訓(xùn)練算法、基于BP神經(jīng)網(wǎng)絡(luò)算法、基于關(guān)聯(lián)規(guī)則的FP-tree算法進行了分析。最后在此基礎(chǔ)上，研究了決策ID3算法的改進方向和可能出現(xiàn)的弊端，提出了數(shù)據(jù)挖掘技術(shù)未來應(yīng)用到體育領(lǐng)域的研究方向。

關(guān)鍵詞：數(shù)據(jù)挖掘；體育訓(xùn)練；決策樹ID3

中圖分類號：TP311文獻標(biāo)識碼：A文章編號：1009-3044(2012)22-5492-04

Application Review and Analysis of Data Mining Techniques in Sport Training

XU Jian-min, OU Mu-hua, XIONG Jin-zhi

(Computer College, Dongguan University of Technology, Dongguan 523808, China)

Abstract：With the continuous development of sports, most sports are using IT to access and accumulate. Faced with a huge database and fierce competition in the game, the data mining technology in the field of sports will become a trend. This study focuses mainly on the implementation of the various algorithms based on the data mining, which investigates the algorithm based on decision tree classification applied to tennis, the algorithm based on BP neural network, and the FP-tree algorithm based on association rules. Finally, on the basis of the above method, the study analyzes the direction of improvement to and possible drawbacks of the decision-making ID3 algorithm, and provides a way of research of data mining which will be applied to sports.

Key words: data mining; sports training; decision tree ID3

目前體育數(shù)據(jù)信息的分析通常采用常規(guī)統(tǒng)計方法：抽樣理論、假設(shè)檢驗、決策理論、估計理論、時間序列等[1]，大多數(shù)統(tǒng)計分析技術(shù)都要求完善的數(shù)學(xué)理論和嚴謹?shù)氖褂眉记?，對使用者要求很高，且大多屬于抽樣研究，存在不同程度的丟失信息現(xiàn)象。此外，傳統(tǒng)統(tǒng)計方法很難挖掘出數(shù)據(jù)資料的潛在規(guī)律。隨著近年來體育領(lǐng)域數(shù)據(jù)增多，各種指標(biāo)的體質(zhì)監(jiān)測數(shù)據(jù)，各種各類體育競技比賽數(shù)據(jù)等越來越多，形成海量數(shù)據(jù)[2]。與此同時，計算機應(yīng)用技術(shù)在存儲、模擬分析數(shù)據(jù)方面有著很明顯的發(fā)展?jié)摿?。于是，如何在海量?shù)據(jù)中尋找各種因素間的相互關(guān)系、發(fā)現(xiàn)它們之間的變化規(guī)律，進而對數(shù)據(jù)深入分析就成為了計算機的重要發(fā)展方向之一。因此，數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用成為體育科學(xué)研究中不可或缺的內(nèi)容之一。

該文首先介紹數(shù)據(jù)挖掘的定義和基本方法，其次綜述數(shù)據(jù)挖掘技術(shù)在國內(nèi)外體育訓(xùn)練的應(yīng)用情況，最后在此基礎(chǔ)上經(jīng)過對方法和研究方向的分析，提出未來數(shù)據(jù)挖掘技術(shù)在體育訓(xùn)練上的研究方向。

1數(shù)據(jù)挖掘的基本方法

數(shù)據(jù)挖掘作為一門跨學(xué)科的應(yīng)用技術(shù)，它涵蓋了統(tǒng)計學(xué)、機器學(xué)習(xí)、人工智能、模糊數(shù)學(xué)等諸多科學(xué)領(lǐng)域，形成了根據(jù)具體任務(wù)而進行數(shù)據(jù)分析以及知識萃取的方法體系。同樣，對于相同的問題也可以根據(jù)不同的應(yīng)用領(lǐng)域特點選擇不同的算法。比如，處理描述性挖掘任務(wù)有數(shù)據(jù)特征化和數(shù)據(jù)區(qū)分等概念抽象和數(shù)據(jù)匯總概要處理；預(yù)測性挖掘任務(wù)因目標(biāo)變量屬性的不同有分類和預(yù)測方法。

數(shù)據(jù)挖掘的方法主要有：

1）分類：按照分析對象的屬性分門別類加以定義，建立類組。

2）回歸：是使用一系列的現(xiàn)有數(shù)值來預(yù)測一個連續(xù)數(shù)值的可能值。

3）預(yù)測：根據(jù)對象屬性的過去觀察值來估計該屬性未來的值。

4）聚類：是將一組數(shù)據(jù)按照相似性和差異性分為幾個類別，其目的是使得屬于同一個類別的數(shù)據(jù)間的相似性盡可能大，不同類別中的數(shù)據(jù)間的相似性盡可能小。

5）關(guān)聯(lián)：是要找出在某一事件同時出現(xiàn)的事件。主要是要找出：如果甲因素出現(xiàn)在某一事件的一部分，則乙因素也出現(xiàn)在該事件中的機率有多大。

數(shù)據(jù)挖掘常用的技術(shù)主要有決策樹、遺傳算法、聚類分析、神經(jīng)網(wǎng)絡(luò)技術(shù)、關(guān)聯(lián)規(guī)則等[3-4]。

1）決策樹

一種用樹枝狀展現(xiàn)數(shù)據(jù)受各變量的影響情況的分析預(yù)測模型，根據(jù)對目標(biāo)變量產(chǎn)生效應(yīng)的不同而制定分類規(guī)則，它是建立在信息論基礎(chǔ)之上，對數(shù)據(jù)進行分類的一種方法。它首先通過一批已知的訓(xùn)練數(shù)據(jù)建立一棵決策樹，然后采用建好的決策樹對數(shù)據(jù)進行預(yù)測。決策樹的建立過程是數(shù)據(jù)規(guī)則的生成過程，因此這種方法實現(xiàn)了數(shù)據(jù)規(guī)則的可視化，其輸出結(jié)果容易理解，精確度較好，效率較高，因而較常用。常用的方法有分類及回歸樹法、卡方自動交互探測法等[3]。

2）遺傳算法

一種新的最佳化空間搜索方法，它應(yīng)用算法的適應(yīng)函數(shù)來決定搜索的方向，運用一些擬生物化的人工運算過程進行一代又一代的周而復(fù)始的演化，求得一個最佳結(jié)果。特點是具有強固形與求值空間的獨立性。強固形使問題的限制條件降到最低，并大幅度提高系統(tǒng)的容錯能力；而求值空間的獨立性則使遺傳算法的設(shè)計單一化，且適用于多種不同性質(zhì)、領(lǐng)域的問題。將遺傳算法運用于數(shù)據(jù)挖掘，可以開采出與眾不同的信息，是別的算法所不能替代的。

3）聚類分析

聚類分析是將數(shù)據(jù)對象分成類或簇的過程，使同一簇中的對象之間具有很高的相似度，而不同簇中的對象高度相異。一個好的聚類方法會最大化類內(nèi)的相似性，最小化類間的相似性。主要聚類方法有：劃分算法、層次算法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。

4）神經(jīng)網(wǎng)絡(luò)技術(shù)

一種模仿人腦思考結(jié)構(gòu)的數(shù)據(jù)分析模式，由輸入變量或數(shù)值中自我學(xué)習(xí)并根據(jù)學(xué)習(xí)經(jīng)驗所得的知識不斷調(diào)整參數(shù)，以期得到資料的模式。是建立在自學(xué)習(xí)的數(shù)學(xué)模型基礎(chǔ)之上，它可以對大量復(fù)雜的數(shù)據(jù)進行分析，并能完成對人腦或計算機來說極為復(fù)雜的模式抽取及趨勢分析。神經(jīng)網(wǎng)絡(luò)的處理過程主要是通過網(wǎng)絡(luò)的學(xué)習(xí)功能找到一個恰當(dāng)?shù)倪B接加權(quán)值來得到最佳結(jié)果。比較典型的學(xué)習(xí)方法是回溯法。通過將輸出結(jié)果同一些已知值進行一系列比較，加權(quán)值不斷調(diào)整，得到一個新的輸出值，再經(jīng)過不斷的學(xué)習(xí)過程，最后該神經(jīng)網(wǎng)絡(luò)得到一個穩(wěn)定的結(jié)果。

5）關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則挖掘就是從大量的數(shù)據(jù)中挖掘出有價值描述數(shù)據(jù)項之間相互聯(lián)系的有關(guān)知識。關(guān)聯(lián)規(guī)則主要應(yīng)用在商業(yè)數(shù)據(jù)庫中：商品分類設(shè)計、降價經(jīng)銷分析、生產(chǎn)安排、貨架擺放策略等。關(guān)聯(lián)規(guī)則主要反映了一個事物與其他事物之間的相互依存性和關(guān)聯(lián)性。給定一個事務(wù)集D，挖掘關(guān)聯(lián)規(guī)則的問題就變成如何產(chǎn)生支持度和可信度分別大于用戶給定的最小支持度和最小可信度的關(guān)聯(lián)規(guī)則問題。

2數(shù)據(jù)挖掘在體育領(lǐng)域中的應(yīng)用

2.1數(shù)據(jù)挖掘國內(nèi)外研究情況

1)數(shù)據(jù)挖掘在體育訓(xùn)練國內(nèi)研究的情況

查閱中國期刊中文數(shù)據(jù)庫，碩士博士論文中，涉及到體育數(shù)據(jù)挖掘的體育科研論文內(nèi)容主要有：體育教學(xué)、學(xué)生體質(zhì)調(diào)研、運動訓(xùn)練監(jiān)控、臨場比賽優(yōu)化、體育信息管理等的數(shù)據(jù)挖掘研究以及優(yōu)化數(shù)據(jù)挖掘工具在體育領(lǐng)域的應(yīng)用研究。

楊雙燕、趙水寧比較全面地介紹了數(shù)據(jù)挖掘技術(shù)在學(xué)生體質(zhì)調(diào)研、體育產(chǎn)業(yè)、競技體育、體育決策管理中的應(yīng)用方向[5]。高洪歌通過對優(yōu)秀運動員參加的國際比賽中的各項技戰(zhàn)術(shù)參數(shù)，然后運用關(guān)聯(lián)規(guī)則、聚類分析和基于馬爾代夫過程的數(shù)據(jù)挖掘算法，揭示了隱含于數(shù)據(jù)中的很多信息[6]。孟憲明、凌培亮從視野和步長等方面對人工魚群算法進行改進，并提出基于該算法的乒乓球技戰(zhàn)術(shù)分類規(guī)則數(shù)據(jù)挖掘模型，分析頂級乒乓球運動員比賽實例，結(jié)果表明與乒乓球技戰(zhàn)術(shù)關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘相比，該模型在挖掘質(zhì)量和挖掘效果上有較大優(yōu)勢[7]。龔明波，鐘平中通過對通過球隊進球、射門、射門命中率、角球等11項攻防技術(shù)指標(biāo)進行主成分分析的基礎(chǔ)上，確定球隊技戰(zhàn)術(shù)能力聚類的綜合指標(biāo)，形成聚類樣本。在此基礎(chǔ)上，引入模擬人類視覺系統(tǒng)的尺度空間理論，提出了基于尺度層次空間聚類的球隊技戰(zhàn)術(shù)分類方法[8]。陳健、姚頌平以CBA聯(lián)賽為背景運用關(guān)聯(lián)規(guī)則得出核心運動員的得分與球隊獲勝的關(guān)聯(lián)度，核心運動員的上場時間和關(guān)聯(lián)度等[9]。

2)數(shù)據(jù)挖掘在國外體育領(lǐng)域中的應(yīng)用現(xiàn)狀

在新世紀初美國NBA的教練運用IBM公司提供的DM工具Advanced Scout能在比賽中輔助教練員林場決定隊員替換方案，取得了很好地效果。此后，NBA球隊從各方面廣泛使用該系統(tǒng)來優(yōu)化他們的戰(zhàn)術(shù)組合。

美國國家曲棍球聯(lián)盟與IBM建立了一個合資公司，推出了電子實時比賽計分和統(tǒng)計系統(tǒng)NHL-ICE.該軟件可以讓教練、播音員、記者及球迷共同利用NHL各類數(shù)據(jù)，使用NHL-ICE挖掘各自所需的信息。

意大利運用數(shù)據(jù)挖掘技術(shù)開發(fā)了Data Volley軟件系統(tǒng)，實現(xiàn)了排球比賽的技戰(zhàn)術(shù)統(tǒng)計分析。

2.2決策樹算法的應(yīng)用

決策樹是一種典型的分類方法，首先對數(shù)據(jù)進行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進行分析。本質(zhì)上決策樹是通過一系列規(guī)則對數(shù)據(jù)進行分類的過程。分類（Classification）任務(wù)就是通過學(xué)習(xí)獲得一個目標(biāo)函數(shù)（Target Function）,將每個屬性集x映射到一個預(yù)先定義好的類標(biāo)號y。分類任務(wù)的輸入數(shù)據(jù)是紀錄的集合，每條記錄也稱為實例或者樣例。

決策樹算法最具影響和最為典型的算法的主要是ID3算法。ID3算法的基本思想：以信息熵為度量，用于決策樹節(jié)點的屬性選擇，每次優(yōu)先選取信息量最多的屬性，亦即能使熵值變?yōu)樽钚〉膶傩裕詷?gòu)造一顆熵值下降最快的決策樹，到葉子節(jié)點處的熵值為0。此時，每個葉子節(jié)點對應(yīng)的實例集中的實例屬于同一類[10]。

2.3神經(jīng)元網(wǎng)絡(luò)的應(yīng)用

BP算法的基本思想是：學(xué)習(xí)過程分為兩個部分：信號正向傳播和誤差的反向回傳。信號從正向傳播時，輸入數(shù)據(jù)從輸入層進入，經(jīng)過各級隱層網(wǎng)絡(luò)依次逐層處理，傳遞到輸出層，如果輸出層輸出的結(jié)果和期望不相符或者差距很大，那么將誤差值當(dāng)做調(diào)整的信號一次各層向著相反的方向傳回來，通過作用神經(jīng)元之間的連接權(quán)矩陣，使誤差減小。經(jīng)過不斷的學(xué)習(xí)，最后使得誤差減小到可以接受的范圍以內(nèi)。具體的算法步驟如下：

1)從訓(xùn)練數(shù)據(jù)集中取出某一樣本數(shù)據(jù)，將信息錄入到神經(jīng)網(wǎng)絡(luò)中的輸入端。

2)根據(jù)各個節(jié)點間的連接情況正向逐層的處理后，可以得到神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)。

3)計算網(wǎng)絡(luò)輸出的數(shù)據(jù)值與期望輸出的數(shù)據(jù)值的誤差。

4)把誤差逐層按照相反的方向傳回到之前各層網(wǎng)絡(luò)，并且按照一定的原則將誤差信號的值作用到連接的權(quán)值上，使整個神經(jīng)網(wǎng)絡(luò)的連接權(quán)值誤差越來越小。

5)將數(shù)據(jù)集輸入—輸出樣本逐一重復(fù)以上步驟，直到整個樣本集的誤差減小到可以接受的范圍。

目前國內(nèi)有學(xué)者將BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到研究體育生化指標(biāo)對競技的影響[12]。他們采用采用BP神經(jīng)網(wǎng)絡(luò)，輸入的神經(jīng)元個數(shù)為4個，隱含層5個神經(jīng)元，輸出1個神經(jīng)元。經(jīng)研究得到的結(jié)論是：

1）BP神經(jīng)網(wǎng)絡(luò)精確度比較高，預(yù)測結(jié)果清晰地預(yù)測了運動員競技能力和比較科學(xué)的預(yù)測了運動員的未來發(fā)展趨勢。

2）在體育訓(xùn)練中，運用BP神經(jīng)網(wǎng)絡(luò)模型對運動員生化指標(biāo)數(shù)據(jù)可以預(yù)測運動員競技成績并且對指導(dǎo)教練員選拔運動員有一定的科學(xué)幫助。

2.4關(guān)聯(lián)規(guī)則

數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián).關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)[13]。

設(shè)I={i1,i2,…,im}是項的集合。關(guān)聯(lián)規(guī)則：形如A => B的蘊涵式，其中A?I , B?I ,并且A∩B =?。支持度：P(AUB)，即A和B這兩個項集在事務(wù)集D中同時出現(xiàn)的概率.置信度：P(B I A)，即在出現(xiàn)項集A的事務(wù)集D中，項集B也同時出現(xiàn)的概率.如果一條關(guān)聯(lián)規(guī)則同時滿足最小支持度閾值和最小置信度閾值，那么就認為它是有趣的，并稱為強關(guān)聯(lián)規(guī)則。給定一個事務(wù)集D，挖掘關(guān)聯(lián)規(guī)則問題就是產(chǎn)生支持度和可信度分別大于用戶給定的最小支持度和最小可信度的關(guān)聯(lián)規(guī)則[14]。

3分析

3.1各種常用方法的適用范圍及不足

基于數(shù)據(jù)挖掘決策樹分類方法即ID3方法，比較簡單明了，它構(gòu)建樹的步驟簡單，在屬性不多的情況下人為就可建立，實用性非常強。

基于數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則方法的乒乓球技戰(zhàn)術(shù)分析系統(tǒng)可以根據(jù)乒乓球比賽的實戰(zhàn)數(shù)據(jù)結(jié)果進行統(tǒng)計分析，應(yīng)用關(guān)聯(lián)規(guī)則中的FP-growth算法，深入挖掘選手A和選手B在各項技術(shù)的比拼，切磋過程中的弱項和強項，也就是選手A與選手B進行比賽時哪些技戰(zhàn)術(shù)會讓自己得分，運用哪些技戰(zhàn)術(shù)會使自己失分。不僅有利于自身選手在體育訓(xùn)練中加強自己的薄弱環(huán)節(jié)，并且在自己水平有限的情況下和某個個體選手對決時可以充分發(fā)揮自己的強項，盡量避免使自己失分的弱項，這樣可以把握形勢的主動權(quán)，取得更好的成績。所以數(shù)據(jù)挖掘在體育訓(xùn)練方面的應(yīng)用可以挖掘眾多體育信息中潛在的規(guī)律，使體育訓(xùn)練和比賽朝著理性化和精確化的道路發(fā)展，故數(shù)據(jù)挖掘在體育方面產(chǎn)生的影響是舉足輕重的。

將乒乓球比賽技戰(zhàn)術(shù)分析做成一個實用、有效的軟件，廣泛的被各個乒乓球隊使用，作為為教練做出正確的分析和決策提供一個參考，使教練的意見和訓(xùn)練更加的客觀，使體育比賽更加的科學(xué)精準(zhǔn)[11-12]。

不過這種方法有一定的不足：

1）比如如果只錄入一場比賽，那么數(shù)據(jù)的說服力和準(zhǔn)確度都會下降。并且在這種不完全數(shù)據(jù)的統(tǒng)計中技術(shù)水平往往也和現(xiàn)場情況選手的壓力、體能情況和發(fā)揮息息相關(guān)。

2）就是FP-tree關(guān)聯(lián)規(guī)則本身具有一定的誤差。源于它是以支持度-置信度為基礎(chǔ)的關(guān)聯(lián)規(guī)則挖掘方法，在理論上缺乏嚴格的理論證明和基礎(chǔ)。在閾值參數(shù)設(shè)定缺乏客觀標(biāo)準(zhǔn)時就將其直接應(yīng)用到客戶細分中，可能會產(chǎn)生一些誤導(dǎo)。

基于關(guān)聯(lián)規(guī)則本身的局限，我們有必要開發(fā)更好的算法，克服這些不足，在發(fā)現(xiàn)規(guī)則的同時需要更多的數(shù)據(jù)，更深層次的聯(lián)系才行。

3.2對基于決策樹ID3算法的思考

決策樹ID3算法通過學(xué)習(xí)建立一棵決策樹。在生成決策樹的時候，通常采用信息增益方法來確定生成每個節(jié)點時所應(yīng)選擇的合適屬性，也就是通過選擇具有最高信息增益的屬性作為測試是否合適做當(dāng)前屬性的方法。目的是為了將劃分后的獲得的訓(xùn)練樣本進行分類所需要信息最小。也就是利用該屬性進行信息劃分會使產(chǎn)生的各樣本子集中不同類別混合程度降低。因此決策樹采用這種規(guī)則能夠有效減少對象分類所需要的劃分次數(shù)。

理想的決策樹有三種：1）葉子結(jié)點數(shù)最少；2）葉子節(jié)點深度最??；3）葉子結(jié)點數(shù)最少且葉子節(jié)點深度最小。但是這種最優(yōu)的決策樹是NP難題。因此，決策樹優(yōu)化問題是很難解決的。不過可以盡量通過結(jié)合實際情況優(yōu)化算法使數(shù)據(jù)挖掘的分類更有效[13]。決策樹ID3算法在網(wǎng)球的例子中尚可正確執(zhí)行和得出可行的結(jié)論。但是ID3算法有一些不足：1）用戶信息的計算比較依賴于特征取值的數(shù)目較多的屬性，這樣不太合理。

2）ID3算法在建樹時，每個結(jié)點僅含有一個屬性，是一種單元的算法，屬性特征間的相關(guān)性強調(diào)的不夠充分，無法體現(xiàn)出屬性間相互聯(lián)系的特點。

3）ID3對噪聲較為敏感。

4）當(dāng)數(shù)據(jù)樣本集增加時，ID3的決策樹會隨之變化。

4結(jié)論

該文首先是對國內(nèi)體育訓(xùn)練中數(shù)據(jù)挖掘技術(shù)的應(yīng)用狀況進行綜述，然后對決策樹的應(yīng)用，BP神經(jīng)網(wǎng)絡(luò)技術(shù)在研究體育生化指標(biāo)對競技的影響的應(yīng)用以及FP-Tree算法在乒乓球比賽技術(shù)分析中的應(yīng)用進行分析，最后對ID3算法和FP-Tree算法提出自己的見解：雖然做成最優(yōu)的決策樹是一個難題，但是我們可以根據(jù)自己的經(jīng)驗和實際情況靈活的運用算法，即可在實際應(yīng)用中取得更好的效果，比如訓(xùn)練人員可以根據(jù)天氣等情況判定每日是否適合戶外訓(xùn)練或比賽；另外，運用關(guān)聯(lián)分析數(shù)據(jù)挖掘技術(shù)可以實現(xiàn)乒乓球比賽中技術(shù)運用更加合理、精確；它可以實現(xiàn)對實戰(zhàn)中選手自身的技術(shù)弱項和強項的挖掘，以及運用哪些技術(shù)可以得分或失分，為比賽中技術(shù)運用提供了科學(xué)的依據(jù)。

參考文獻：

[1]遲殿委,周興斌.數(shù)據(jù)挖掘的體育訓(xùn)練決策支持系統(tǒng)[J].微型計算機,2009(25):190-192.

[2]郝麗,劉樂平.數(shù)據(jù)挖掘（Data Mining）在體育統(tǒng)計中的應(yīng)用[J].華東理工學(xué)院學(xué)報,2004,6(5): 92-95.

[3]胡斐.數(shù)據(jù)挖掘在體育領(lǐng)域中的應(yīng)用研究綜述[J].科技創(chuàng)新導(dǎo)報,2010(27):211-212.

[4]朱明.數(shù)據(jù)挖掘[M].2版.合肥:中國科學(xué)技術(shù)大學(xué)出版社,2008.

[5]楊雙燕,趙水寧.體育數(shù)據(jù)中數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[J].浙江體育科學(xué),2003,2(30): 49-51.

[6]高洪歌,趙會群.關(guān)聯(lián)規(guī)則挖掘在乒乓球比賽技戰(zhàn)術(shù)分析中的應(yīng)用[J].北方工業(yè)大學(xué)學(xué)報,2003,18(1): 15-20.

[7]孟憲明,凌培亮.基于人工魚群算法的乒乓球數(shù)據(jù)挖掘[J].計算機工程,2010,36(5): 28-31.

[8]龔明波,鐘平.尺度空間層次聚類在足球球隊技、戰(zhàn)術(shù)能力分類中的應(yīng)用研究[J].體育科學(xué),2005,25(1):87-90.

[9]陳健,姚頌平.關(guān)聯(lián)分析在籃球技術(shù)統(tǒng)計數(shù)據(jù)分析中的應(yīng)用[J].上海體育學(xué)院學(xué)報, 2009, 33(5):91-94.

[10]欒麗華,吉根林.決策樹分類技術(shù)研究[J].計算機工程,2004,5(9):95-96.

[11]高洪敏.數(shù)據(jù)挖掘技術(shù)在乒乓球比賽技戰(zhàn)術(shù)分析中的應(yīng)用研究[D].北京,北方工業(yè)大學(xué),2006.

[12]趙會群,孫晶,花勇民,等.數(shù)據(jù)挖掘技術(shù)在體育比賽技戰(zhàn)術(shù)分析中的應(yīng)用研究[J].北京體育大學(xué)學(xué)報,2008,31(5):712-715.

[13]劉小虎,李生.決策樹的優(yōu)化算法[J].軟件學(xué)報,1998,9(10):797-800.

[14]段玉春,朱曉艷,孫玉強.一種改進的ID3算法[J].南陽師范學(xué)院學(xué)報,2006,5(9):63-65.