基于属性相关性分析的高校学生成绩分析应用研究

在高校教育领域,有很多宝贵的数据.通过对这些数据进行有效的挖掘,将结果反馈到课程,将会极大地提高课程质量.使用属性相关性分析技术,创新地提出VA-C5.0挖掘方法,通过对学生课程中所涉及的主客观数据进行数据挖掘、模型构建、模型验证,得到生成树和相应规则集,再与传统挖掘方法相对比,验证其在精确度和时间效率上的优越性.

无指导学习环境下基于属性相关性分析和聚类算法的属性选择问题研究

属性选择可以有效地降低特征维度,去除不相关属性,提高模型准确率以及增加模型的可解释程度。但是,无指导学习环境下的属性选择往往无法取得像有指导学习环境下那样令人满意的结果。先对无指导学习环境下的属性选择研究的现状进行阐述,然后介绍一种新方法———无指导学习环境下基于属性相关性分析和聚类算法的属性选择方法,并且通过实验来验证其有效性和实用性。

CBFS-SVM及其在故障诊断中的应用

本文结合了属性相关性分析及支持向量机分类机理,提出了一种新的故障诊断方法。首先使用基于属性相关性分析的方法对过程特征变量进行简约,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息,同时充分利用支持向量机的良好推广性能,提高了预测分类精度。对污水处理过程故障诊断实验结果表明了该方法的优越性。

一种基于基尼指标的高维数据离群挖掘算法

针对高维数据集中的离群点挖掘任务,给出了一种基于基尼指标和属性相关性分析的高维数据离群点挖掘算法。该算法首先采用属性相关性分析方法,删除高维数据集中的冗余属性,缩减了数据集的大小;其次采用基尼指标作为离群度量因子,从缩减后的数据集中,挖掘出不同离群程度的数据点;最后,实验采用天体光谱数据作为实验数据集,经实验验证,该算法对高维数据集中离群点的挖掘算法是有效的和可行的,其效率得到了明显的提高。