K—means算法在计算机基础分层教学中的应用研究
2014-11-17刘明纲
新课程·中旬 2014年9期
摘 要:探讨了将K-means聚类算法应用于计算机基础课程分层教学学生入学基础测试成绩分析的过程中。针对K-means算法的特点,对收集的学生成绩参数进行设定,并做一定的规范处理,然后对数据进行预处理。最后,使用K-means算法,对学生计算机基础入学测试成绩进行层次划分类别分析评价。
关键词:K临近算法;数据挖掘;分层教学;聚类
一、数据挖掘概述
数据挖掘,又称为数据库中知识发现(Knowledge Discovery from Database,简称KDD),它是一个从大量不完全、有噪声的数据中抽取挖掘出未知的、潜在有价值的模式或规律等知识的复杂过程。
1.数据挖掘中的聚类算法
现在的聚类算法主要有:基于密度和层次方法、基于划分和模型方法等。
(1)基于密度的方法(Density-Based Methods)
基于密度的方法的重要特点在于:它的聚类准则不是基于距离的,而是基于密度的。通过这种方法能避免基于距离的算法只能发现“类圆形”聚类的缺点,并发现非“类圆形”的聚类结果。它的基本设计思想是:如果区域中的点的密度大于某个域值,那么就把这个样本加到与之相近的聚类中。其代表算法有OPTICS算法、DBSCAN算法、DENCLUE算法等。
(2)基于层次的方法(Hierarchical Methods)
这种方法就是把数据库划分成多个层次,直到满足某种条件为止。输出为层次化的分类树。自底向上的方法称为凝聚的方法,最初将每个数据对象作单独的一个组,然后合并相近的对象或组,直到所有的组合并为一个层次,或满足某个终止条件。自顶向下的方法又称为分裂的方法,最开始将所有的对象归到一个层次,然后进行迭代,通过迭代使一个类划分成更小的类。……
登录APP查看全文
