基于數據挖掘的在校學生成績預警方法技術

本發(fā)明專利技術公開了一種基于數據挖掘的在線學生成績預警方法，包括獲取學校已畢業(yè)學生的成績數據并分等；采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集；利用頻繁項集得到所有強關聯規(guī)則；對在校學生的所有成績運用強關聯規(guī)則進行數據運算，得到成績的預測和預警結果。本發(fā)明專利技術通過獲取往屆學生的學習成績數據，并對獲取的成績數據進行數據挖掘和關聯分析，從而得到各科成績之間的強關聯規(guī)則，并根據獲得的各科成績之間的強關聯規(guī)則對在校學生的成績進行預測和預警，因此本發(fā)明專利技術方法從客觀的數據出發(fā)，能夠及時和實時的對學生的成績進行預測和預警，而且客觀，合理，科學，計算速度快，精度高。

A method of early warning for students' achievement based on Data Mining

The invention discloses a data mining online early warning method based on student achievement, including the results of data acquisition and classification of school graduate students have been using the Apriori algorithm; data mining results all meet the minimum support count of frequent itemsets; using frequent itemsets to all strong association rules; students in all grades the use of strong association rules for data processing, get the results of forecasting and early warning results. The present invention through learning data acquisition and graduates, and data mining and association analysis to the results of data acquisition, so as to obtain the strong association rules between subjects, and according to the strong association rules between the subjects of college students performance prediction and warning, so the method starting from the objective data. That can forecast and early warning, timely and real-time on student achievement and objective, scientific, reasonable, fast calculation speed and high precision.

【技術實現步驟摘要】
基于數據挖掘的在校學生成績預警方法
本專利技術具體涉及一種基于數據挖掘的在線學生成績預警方法。
技術介紹
隨著經濟技術的發(fā)展和人們生活水平的提高，教育已經成為了人們最為關注的領域之一，國家對于教育的投入也在逐年增長。因此，越來越多的人們走入青青校園，開始了學生生涯。毫無疑問的，在校學生的首要任務便是學習。但是現在發(fā)達的科技使得人們的娛樂方式越來越多，各類娛樂設備層出不窮，娛樂方式也日新月異，從而使得許多在校學生丟下學業(yè)沉迷其中。目前對于學生在校學習狀態(tài)的反饋，一般都是老師通過學生的學習狀態(tài)、外在表現等進行人為判斷和反饋，其整個過程充滿了主觀性和不確定性。很多時候，老師由于教學事務繁忙而無法及時獲取或忽視了學生的學習狀態(tài)，而在學生考試失敗或者學習成績失敗后才想起進行干預，這無疑事倍功半。
技術實現思路
本專利技術的目的在于提供一種基于歷史數據的、能夠客觀和及時為學生的學習成績提供預警的基于數據挖掘的在線學生成績預警方法。本專利技術提供的這種基于數據挖掘的在線學生成績預警方法，包括如下步驟：S1.獲取學校已畢業(yè)學生的所有m個科目的成績數據，將成績數據劃分為n個等級，并建立相應的數據庫；所述m和n均為自然數；S2.針對步驟S1得到的成績數據，采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集；S3.利用步驟S2得到的頻繁項集構建所有潛在的規(guī)則，計算構建的所有規(guī)則的條件概率，并與最小置信度值進行比較得到滿足條件的所有強關聯規(guī)則；S4.對在校學生的所有成績運用步驟S3得到的所有強關聯規(guī)則進行數據運算，得到在校學生的課程成績的預測結果，并對課程成績預測結果不合格的學生進行成績預警。步驟S1所述的獲取學校已畢業(yè)學生的成績數據，具體為以學院為單位進行成績數據的獲取。步驟S1所述的將成績數據劃分為n個等級，具體為按照如下規(guī)則進行等級劃分：若成績數據是分數制，則90～100分劃分為等級“優(yōu)良”，75～89分劃分為等級“中等”，0～74分劃分為等級“差”；若成績數據是等級制，則等級A劃分為等級“優(yōu)良”，等級B劃分為等級“中等”，等級C及以下劃分為等級“差”。步驟S2所述的采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集，具體為采用改進型Apriori算法進行頻繁項集的挖掘，具體包括如下步驟：A.設置Apriori算法的最小支持度；B.掃描步驟S1建立的數據庫，根據數據庫的記錄數設定編碼長度，然后對每條記錄進行掃描，將出現記錄的位置置為1，未出現記錄的位置置為0，從而得到該項的一個編碼位串；C.在步驟B得到的編碼位串中，對每個編碼位串中“1”出現的次數進行統計得到第一統計數值，并將第一統計數值與最小支持度計數值進行比較，并保留第一統計數值大于或等于最小支持度的編碼位串和對應的項，得到頻繁項集L1；D.對步驟C中得到的頻繁項集L1中的所有項進行兩兩連接形成候選項集C2，同時對兩兩連接的項的編碼位串之間進行與運算從而生成新的編碼位串；E.對步驟D中生成的新的編碼位串中的“1”再次進行統計得到第二統計數值，并保留第二統計數值大于或等于最小支持度計數值的編碼位串和對應的項，得到頻繁項集L2；F.重復步驟D～步驟E，在由頻繁項集Lk相互連接構建候選項集Ck+1前，統計頻繁項集Lk中各單項出現在頻繁項集Lk中的次數，得到第三統計數值；若Lk中某個單項的第三統計數值小于k，則將頻繁項集Lk中包含此單項的項剔除，從而得到修建后的頻繁項集L’k；所述k為不小于2的自然數；G.將頻繁項集L’k中的各個項進行連接操作，并在連接過程中進行相連接的兩個項的編碼位串進行與運算，然后對生成的候選項集的Ck+1編碼位串中的“1”進行計數操作得到第k+1統計數值，并保留第k+1統計數值大于或等于最小支持度計數值的編碼位串和對應的項，得到頻繁項集Lk+1；H.重復上述步驟F～步驟G，直至最終得到的頻繁項集為空集。步驟S3所述的利用得到的頻繁項集計算得到所有強關聯規(guī)則，具體為采用如下步驟進行計算得到所有強關聯規(guī)則：a.設置最小置信度；b.在獲取的頻繁項集中，對每一個頻繁項集Li進行循環(huán)遍歷，并取其中的第1～第i項作為條件，以剩余的項作為結論構件條件概率；所述的條件概率為取出的項的支持度數值與剩下的項的支持度數值的比值；c.將步驟b中得到的條件概率與最小置信度進行比較，保留條件概率值大于等于最小置信度的所有關聯規(guī)則；所保留的關聯規(guī)則即為強關聯規(guī)則。本專利技術提供的這種基于數據挖掘的在線學生成績預警方法，通過獲取往屆學生的學習成績數據，并對獲取的成績數據進行數據挖掘和關聯分析，從而得到各科成績之間的強關聯規(guī)則，并根據獲得的各科成績之間的強關聯規(guī)則對在校學生的成績進行預測和預警，因此本專利技術方法從客觀的數據出發(fā)，能夠及時和實時的對學生的成績進行預測和預警，而且本專利技術方法客觀，合理，科學，計算速度快，精度高。附圖說明圖1為本專利技術方法的整體流程示意圖。圖2為本專利技術方法的方法流程圖。具體實施方式如圖1所示為本專利技術方法的整體流程示意圖，圖2為本專利技術方法的方法流程圖：本專利技術提供的這種基于數據挖掘的在線學生成績預警方法，包括如下步驟：S1.獲取學校已畢業(yè)學生的所有m個科目的成績數據，將成績數據劃分為n個等級，并建立相應的數據庫；所述m和n均為自然數；對于大學生，以學院為單位進行成績數據的獲取；將成績數據劃分為n個等級，具體為按照如下規(guī)則進行等級劃分：若成績數據是分數制，則90～100分劃分為等級“優(yōu)良”，75～89分劃分為等級“中等”，0～74分劃分為等級“差”；若成績數據是等級制，則等級A劃分為等級“優(yōu)良”，等級B劃分為等級“中等”，等級C及以下劃分為等級“差”；S2.針對步驟S1得到的成績數據，采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集，具體包括如下步驟：A.設置Apriori算法的最小支持度；B.掃描步驟S1建立的數據庫，根據數據庫的記錄數設定編碼長度，比如一個學生的各科成績?yōu)橐粭l記錄，數據庫若包含n個學生的課程成績，那么，編碼的長度即為n。例如：數據庫中有5個學生的記錄，那么編碼長度就為5；然后對每條記錄進行掃描，將出現記錄的位置置為1，未出現記錄的位置置為0，從而得到該項的一個編碼位串；首先明確“項”的概念：項就是在對成績進行分等后，對某門課程及成績的一個標識，例如我們將大學物理轉換為S00,S01,S02，這就屬于三個項，前兩位標識某一課程，最后一位是根據成績映射而來，0表示差，1表示中等，2表示優(yōu)良。根據總記錄數為5，我們設置編碼長度為5。根據具體實施例中的表2，S00出現在第一和第四條記錄中，那么其編碼為“10010”；同理，S01出現在第二三條記錄中，其編碼為“01100”，S02為“00001”。對所有的項進行掃描編碼即得到了表3C.在步驟B得到的編碼位串中，對每個編碼位串中“1”出現的次數進行統計得到第一統計數值，并將第一統計數值與最小支持度計數值進行比較，并保留第一統計數值大于或等于最小支持度計數值的編碼位串和對應的項，得到頻繁項集L1；D.對步驟C中得到的頻繁項集L1中的所有項進行兩兩連接形成候選項集C2，同時對兩兩連接的項的編碼位串之間進行與運算從而生成新的編碼位串；舉個例子，如果項A和項B本文檔來自技高網...

【技術保護點】
一種基于數據挖掘的在線學生成績預警方法，包括如下步驟：S1.獲取學校已畢業(yè)學生的所有m個科目的成績數據，將成績數據劃分為n個等級，并建立相應的數據庫；所述m和n均為自然數；S2.針對步驟S1得到的成績數據，采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集；S3.利用步驟S2得到的頻繁項集構建所有潛在的規(guī)則，計算構建的所有規(guī)則的條件概率，并與最小置信度值進行比較得到滿足條件的所有強關聯規(guī)則；S4.對在校學生的所有成績運用步驟S3得到的所有強關聯規(guī)則進行數據運算，得到在校學生的課程成績的預測結果，并對課程成績預測結果不合格的學生進行成績預警。

【技術特征摘要】
1.一種基于數據挖掘的在線學生成績預警方法，包括如下步驟：S1.獲取學校已畢業(yè)學生的所有m個科目的成績數據，將成績數據劃分為n個等級，并建立相應的數據庫；所述m和n均為自然數；S2.針對步驟S1得到的成績數據，采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集；S3.利用步驟S2得到的頻繁項集構建所有潛在的規(guī)則，計算構建的所有規(guī)則的條件概率，并與最小置信度值進行比較得到滿足條件的所有強關聯規(guī)則；S4.對在校學生的所有成績運用步驟S3得到的所有強關聯規(guī)則進行數據運算，得到在校學生的課程成績的預測結果，并對課程成績預測結果不合格的學生進行成績預警。2.根據權利要求1所述的基于數據挖掘的在線學生成績預警方法，其特征在于步驟S1所述的獲取學校已畢業(yè)學生的成績數據，具體為以學院為單位進行成績數據的獲取。3.根據權利要求1所述的基于數據挖掘的在線學生成績預警方法，其特征在于步驟S1所述的將成績數據劃分為n個等級，具體為按照如下規(guī)則進行等級劃分：若成績數據是分數制，則90～100分劃分為等級“優(yōu)良”，75～89分劃分為等級“中等”，0～74分劃分為等級“差”；若成績數據是等級制，則等級A劃分為等級“優(yōu)良”，等級B劃分為等級“中等”，等級C及以下劃分為等級“差”。4.根據權利要求1～3之一所述的基于數據挖掘的在線學生成績預警方法，其特征在于步驟S2所述的采用Apriori算法挖掘成績數據中所有符合最小支持度計數值的頻繁項集，具體為采用改進型Apriori算法進行頻繁項集的挖掘，具體包括如下步驟：A.設置Apriori算法的最小支持度；B.掃描步驟S1建立的數據庫，根據數據庫的記錄數設定編碼長度，然后對每條記錄進行掃描，將出現記錄的位置置為1，未出現記錄的位置置為0，從而得到該項的一個編碼位串；C.在步驟B得到的編碼位串中，對每個編碼位串中“...

【專利技術屬性】
技術研發(fā)人員：鄧曉衡，陳琳杰，龍芳，黃戎，陳凌馳，鄭靜益，
申請(專利權)人：中南大學，
類型：發(fā)明
國別省市：湖南,43