基于K-Means聚类模糊算法的学生特征聚类研究

聚类分析是一种关于大量数据挖掘的重要技术。而对于学生存在的个性化差异,各自会表现出不同的特征。以不同学生所体现的特征来实现在教学过程中对学生因材施教,其特征类型的统计是一种大量数据处理的操作。所以,对于这种维度高、数据集大的海量数据,可以利用K-means算法结合数学模型给出聚类的学生特征,再引入模糊数学中的隶属度,来提取出更具解释性的聚类特征。首先,介绍了K-means算法的思想原理并分析其优缺点,并引入K-means++算法;其次,针对初始聚类中心点的选取和K值的确定;然后通过对大学生计算机专业的课程成绩为例,进行聚类分析,其实验结果表明,基于K-means聚类模糊算法的学生特征聚类相比基本的K-means或系统聚类,聚类结果上体现出更好的科学性和解释性;最后,对K-means算法技术关于学生学习成绩和效率进行展望。同时,本文利用蒙特卡罗和用频数来确定隶属度的想法,是团队首创,确保了创新性。