基于数据挖掘技术的高校学生兴趣分类研究

摘要

近年来，各高校在积极推进个性化建设中，将学生的兴趣爱好作为重要参照因素进行深入研究，研究发现兴趣的多样性与复杂性影响了学校分析决策，而通过分类的方式则可以有效降低兴趣的复杂多样性从而辅助管理者作出正确决策。本文采用机器学习算法进行分类，该分类技术能够针对高维的小样本数据集建立一个泛化性能与精度较好的分类模型，从而实现辅助决策能力，克服了传统数理统计受数据量变化大，数据统计难，耗时耗力等问题。　　本研究分析了挖掘对象的数据特征，利用高校学生数据结构单一、自由度较高的特点，对学生的日常生活中的兴趣倾向数据进行研究。以学生属性为特征，以兴趣类别做标记向量，采用支持向量机（SVM）训练分类模型。分别选用了决策树和BP神经网络分类器作比较研究。通过5个数据集进行实验验证，重复试验6次求其平均值，分别探索了学生体育爱好、交通出行爱好、饮食爱好、娱乐爱好，选课偏好的分类效果，实验显示SVM分类器能在保障挖掘质量的前提下快速挖掘学生兴趣类别，其分类效果明显优于决策树和BP神经网络。该方法能够促进高校完善人才培养模式改革，并为高校个性化建设提供依据。然而当前的研究只针对学生兴趣分类进行了研究探索，在数据的清洗和优化方法上还有待进一步改进。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3研究内容与论文结构

2 支持向量机

2.1支持向量机的建模参数

2.2支持向量机的结构

2.3支持向量机的算法描述

2.4支持向量机的算法评估

2.5常用工具箱

3 数据预处理

3.1数据清洗

3.2数据优化

3.3数据集描述

4 分类器的建模与仿真

4.1“学生体育爱好”的分类

4.2“学生交通出行爱好”的分类

4.3“学生饮食爱好”的分类

4.4“学生娱乐爱好”的分类

4.5“学生选课爱好”的分类

4.6结果分析

5 结论及展望

5.1总结

5.2展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果