CART算法在學(xué)生成績分析中的應(yīng)用研究.pdf

1、在“數(shù)據(jù)爆炸，知識(shí)貧乏”的網(wǎng)絡(luò)時(shí)代，人們希望能夠?qū)?shù)據(jù)進(jìn)行更高層次的分析，以便更好的利用這些數(shù)據(jù)。于是，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，并顯示出強(qiáng)大的生命力。如今，數(shù)據(jù)挖掘技術(shù)正在不斷地完善，而且已經(jīng)應(yīng)用的領(lǐng)域十分廣泛，但是在教學(xué)中的應(yīng)用還不是非常廣。本文把數(shù)據(jù)挖掘應(yīng)用到學(xué)生的成績分析中，可以找到影響學(xué)生成績的因素，預(yù)測(cè)學(xué)生的成績，從而有針對(duì)性地對(duì)學(xué)生進(jìn)行輔導(dǎo)，提高教學(xué)質(zhì)量。
　　 本文首先介紹了本課題的研究背景及意義，然后介紹了數(shù)據(jù)挖掘

2、的概念、技術(shù)、過程等。因?yàn)闆Q策樹容易理解、效率高、精確度高等特點(diǎn)，本文選擇了決策樹作為數(shù)據(jù)挖掘的工具。
　　 論文的第三章重點(diǎn)介紹了決策樹的算法，并且從屬性選擇度量的角度介紹了典型的決策樹算法，包括ID3，C4.5和CART算法。對(duì)在應(yīng)用中用到的CART算法，本文對(duì)它做了非常具體的探討，在介紹算法的同時(shí)進(jìn)行了舉例說明，并特別指出了CART樹中分類和回歸的區(qū)別所在。
　　 論文的第四章按照數(shù)據(jù)挖掘的流程實(shí)踐了決策樹中的CA

3、RT算法在學(xué)生成績分析中的應(yīng)用，建立了預(yù)測(cè)學(xué)生成績的四個(gè)模型，并對(duì)模型的準(zhǔn)確度進(jìn)行了評(píng)估，計(jì)算出泛化誤差。從模型中可以看到影響學(xué)生成績的因素有哪些，哪些比較重要。用于挖掘的決策屬性有11個(gè)之多，而在模型中有些并沒有出現(xiàn)。越靠近決策樹根部的屬性越重要，對(duì)成績的影響也越大。通過模型還可以預(yù)測(cè)出未開課的學(xué)生的大致成績，這樣，教師在教學(xué)前就能對(duì)學(xué)生做到心中有數(shù)，有的放矢。
　　 論文在最后提出了CART樹的改進(jìn)算法--隨機(jī)森林，首先介紹

4、了它的概念和特點(diǎn)。隨機(jī)森林是一個(gè)組合分類器算法，由許多單棵分類回歸樹(CART)組合而成，最后通過簡單多數(shù)投票法決定最終分類結(jié)果。在本文用到的回歸樹中，所有CART樹的預(yù)測(cè)值的平均值作為預(yù)測(cè)結(jié)果。為了能和單棵CART樹的準(zhǔn)確率進(jìn)行對(duì)比，本文分別選取了1課，5棵，10棵，20課，30課做成了五個(gè)大小不一的隨機(jī)森林，并計(jì)算五種情況下的泛化誤差。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，隨著樹的數(shù)目的增加，泛化誤差逐漸減小。
　　 本文主要研究并實(shí)現(xiàn)了CARPT