浅析关联规则下的学生成绩管理数据挖掘[摘要]关联规则挖掘作为数据挖掘领域的重要研究课题，是完成数据挖掘任务的重要手段。因此，通过研究关联规则在高校学生成绩管理中的应用具有十分重要的理论意义和现实意义。其中，Apriori算法作为关联规则的重要方面，在学生成绩数据挖掘方面有着重要的作用。[关键词]关联规则成绩管理数据挖掘：R57文献标识码：A：1009-914X（2017）06-0230-01一、关于学生成绩分析系统的建立建立高校学生成绩数据系统的主要目的就是能够对学生成绩进行一个系统有效的分析，进而为教学决策提供更好地借鉴和服务。学生成绩数据库建立之后，就需要有数据挖掘及时对其进行分析。本文主要是利用关联规则来对高校学生成绩进行探讨和分析，以此能够建立起完善的学生成绩分析系统，进而找出教学方式和学生成绩之间的有机联系，为教学工作的深入发展提供重要的借b。通过---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---Oracle9i建立学生成绩的基本数据库，进而通过成绩对其进行详细的分析，然后选择关联规则算法进行系统的建立，最终为教学的顺利开展奠定重要的前提和基础。二、利用关联规则的Apriori算法对学生成绩进行管理和分析对考试题型和知识点信息进行信息挖掘。之前对高校学生数据库的建立，里面包含了许多分散的信息，所以说，在对Apriori改进的算法中，利用类似聚类的方法对数据仓库进行筛选输入，主要目的就是实现信息挖掘的有效性和针对性，同时也保证了算法的高效性。因此，我们以知识点-题型信息为主要研究对象，利用Apriori算法对其进行信息挖掘，信息挖掘过程如下：理论基础：学生成绩数据挖掘及改进算法语言实现平台：java数据仓库：Oracle9i系统平台：WindowsXP输入：数据库：学生成绩数据库最小置信度：mincon最小支持度：minsup最小距离：eps在这次数据挖掘的过程中，主要是就是通过分析处理好知识点、题型、分值以及得分之间的基本关系，所以要通过关联规则进行最大频繁集的查找、总结和分类，实现对信息的有效剖析和挖掘，其主要步---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---骤我们可以分为以下几个部分：第一，对学生成绩数据库进行扫描。通过关联规则把数据库中所包含的知识点、分值、题型等数据查询出来，作为一个巨大的候选集，再把数据的支持度都计算出来，如果所得数值≥用户给定的最小支持度，那就把他所对应的具体数据进行记录，以此类推，形成一个大于等于最小支持度的集合。我们为了分析方便，可以把最小置信度定为0.97，最小支持度为0.021，把相关性系数A、B、C分别定义为：0，1，0。经过数据分析，进而得出了频繁一项集：在下列项集中，关联项用relation表示，知识点代号用Knowledge_ID表示，题型代码用Question_ID代表，单题分值用Knowledge_score来代表，单题得分用Knowledge_GOT表示。在这个过程之中，由于属于中间过程打印，无法给出对应名称，只是给出代码。第二，通过笛卡尔积把每两组频繁的数据通过笛卡尔积相乘，得到一个候选二项集，然后在对成绩数据库进行扫描，计算出候选二项集中数据的支持度，如果所得数值大于等于用户给定的最小支持度，那就把他所对应的具体数据---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---进行记录，以此类推，形成一个大于等于最小支持度的集合，也就是我们所说的频繁二项集，其中数据最后一项为支持度，来判断是否属于频繁二项集。第三，以此类推，然后再形成频繁四项集，四项集也就是我们所要寻找的的最大频繁集，然后对所得出的频繁集进行数据分析，并且计算出关联项的置信度，然后拿此置信度和用户输入的最小置信度阈值相比较，如果是大于等于此置信度，那么就作为一组关联项保存下来。第四，得出关联项之后，我们需要根据关联规则对其进行相应的分组，然后根据聚类原则对关联规则进行分析，最终得出一个符合要求的基本规则，以此规则为基础，我们得出更有价值和更富有规律的关联规则组。最后，对系统挖掘情况进行分析（如图1所示：）。左边界面部分是用户输入的相关参数，由于实验数据的数...