卞歡平

摘要：該文基于數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則理論，以某高職院校教務(wù)學(xué)生成績(jī)系統(tǒng)數(shù)據(jù)為依據(jù)， 應(yīng)用Apriori 算法，探尋某專業(yè)的專業(yè)課程之間的內(nèi)在關(guān)聯(lián)關(guān)系，為教學(xué)提供相應(yīng)的指導(dǎo)。

關(guān)鍵詞： 數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；Apriori 算法

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）21-4945-03

隨著高職院校的擴(kuò)招，高職院校的教務(wù)管理系統(tǒng)中的學(xué)生成績(jī)數(shù)據(jù)也日益龐大，而目前這些的數(shù)據(jù)只是停留在對(duì)數(shù)據(jù)做一些簡(jiǎn)單的備份、統(tǒng)計(jì)學(xué)生的課程及格率等應(yīng)用，而這些應(yīng)用也只是對(duì)數(shù)據(jù)的初步應(yīng)用，不能從這些龐大的數(shù)據(jù)中發(fā)掘出一些對(duì)引導(dǎo)教學(xué)比較有用的信息，以供學(xué)校的教學(xué)管理者、任課教師有啟示性的信息。故此，該文將利用數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則中的Apriori 算法，以某高職院校某專業(yè)學(xué)生成績(jī)系統(tǒng)數(shù)據(jù)為基礎(chǔ)，挖掘出此專業(yè)的專業(yè)課程之間的存在的關(guān)聯(lián)關(guān)系，找出它們之間的內(nèi)在規(guī)律。

1 基本原理

1.1 關(guān)聯(lián)規(guī)則

1.2 Apriori算法

關(guān)聯(lián)規(guī)則挖掘的核心問題是頻繁項(xiàng)集的取得，Apriori算法用于發(fā)現(xiàn)數(shù)據(jù)集中的頻繁項(xiàng)集。該算法：

1） 先遍歷計(jì)算每個(gè)項(xiàng)集的支持度，找出支持度大于或等于最小支持度閾值min_sup的項(xiàng)集，丟棄小于最小支持度閾值min_sup的項(xiàng)集，得出頻繁項(xiàng)集L1。

2） 利用頻繁項(xiàng)集L1，進(jìn)行自然連接產(chǎn)生新的候選集C2，并利用1） 步的方法，找出滿足最小支持度的頻繁項(xiàng)集L2。以此類推，重復(fù)上述過程，直到?jīng)]有頻繁項(xiàng)集產(chǎn)生為止。

2 Apriori算法在學(xué)生成績(jī)中的應(yīng)用

2.1 數(shù)據(jù)選擇

研究的數(shù)據(jù)選自某高職院校計(jì)算機(jī)應(yīng)用專業(yè)專業(yè)課成績(jī)的數(shù)據(jù)。隨機(jī)抽取310名學(xué)生的專業(yè)課程的成績(jī)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘。

2.2 數(shù)據(jù)清理

數(shù)據(jù)清理的目的是去除數(shù)據(jù)中存在的噪聲。如：將成績(jī)中某些考生缺考的記錄直接刪除。對(duì)于有參加補(bǔ)考的學(xué)生成績(jī)，取其平均值進(jìn)行填充。經(jīng)過數(shù)據(jù)清理后，總的記錄數(shù)為300條。

2.3 數(shù)據(jù)轉(zhuǎn)換

數(shù)據(jù)轉(zhuǎn)換的目的是將原來的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的類型，以利于更好的挖掘。故此： 將第一列的“學(xué)號(hào)”更名為：“XH”， 從第二列開始，將各個(gè)科目的課程名稱表示為N1，N2，N3..... 。將上表中的成績(jī)數(shù)據(jù)轉(zhuǎn)換為布爾型表示；為了挖掘各專業(yè)課之間“良好”成績(jī)之間的關(guān)系，將成績(jī)表中成績(jī)80分以上的， 轉(zhuǎn)換為布爾型的"1"，80以下的，轉(zhuǎn)換為"0"。轉(zhuǎn)換后的表如下表：

2.4 Apriori算法的實(shí)現(xiàn)

以上表的數(shù)據(jù)為例，事務(wù)數(shù)據(jù)庫(kù)D中的事務(wù)數(shù)為300，假設(shè)最小支持度（minsup）為20%，最低置信度（minconf）為50%，

上表數(shù)據(jù)選取有300個(gè)事物，即|D|=300。已知最小支持度（minsup）為20%，則通過min_sup=60/300=20%， 計(jì)算出最小事務(wù)支持計(jì)數(shù)為60。

利用Apriori算法的原理，具體挖掘過程如圖1所示。

3 結(jié)束語(yǔ)

通過對(duì)某高職院校計(jì)算機(jī)應(yīng)用專業(yè)的專業(yè)課程成績(jī)運(yùn)用Apriori 算法進(jìn)行數(shù)據(jù)挖掘，就能發(fā)現(xiàn)隱藏在其中，哪些課程之間的重要制約關(guān)系。故此，在課程的教學(xué)中，要注重先導(dǎo)課程在基礎(chǔ)知識(shí)上的預(yù)備，同時(shí)也注重相似課程之間的相互衍接，以使得學(xué)生對(duì)專業(yè)知識(shí)能達(dá)到較好地融匯貫通。

參考文獻(xiàn)：

[1] 李娟.數(shù)據(jù)挖掘技術(shù)在高校教學(xué)模型中的應(yīng)用研究[D].南京：南京理工大學(xué)，2009：15-20.

[2] 狄浩林.基于成績(jī)信息管理系統(tǒng)的高校教務(wù)管理研究[D].北京：北京郵電大學(xué)， 2006.

[3] 李昊，周振華.基于數(shù)據(jù)挖掘的高校學(xué)生成績(jī)預(yù)警系統(tǒng)[J].大慶石油學(xué)院學(xué)報(bào)，2011，8（4）：1-3.