数据挖掘与人才素质评价

根据数据挖掘技术的概念、数据的组织方式和系统的设计方法,利用k-中心算法对人才素质进行分类,借助判定树归纳分类法对人才素质进行分析和评价,提出了混合数据挖掘算法,提高人才素质评价的高效性和科学性。

基于决策树归纳的聚类方法与实现

采用一种改进后的决策树归纳聚类算法和交互式CLTree(ClusteringbasedondecisionTrees)剪枝,对商业数据的某些问题实现了聚类挖掘。对交易数据的实际聚类分析表明,该方法不仅可以处理数值型属性,还可以处理枚举型属性。实验结果表明,该方法在处理混合类型数据时具有良好的挖掘效果。对商业数据聚类分析,可以得到合理的市场分段,预测顾客的购买行为。

基于数据挖掘技术的高校教学质量监控研究

教学质量监控是学校进行教学质量管理的重要手段,对提高教学质量具有重要意义。随着校园信息化的发展,高校教务系统里积存了大量有价值的数据,但却没有被很好的挖掘利用。鉴此提出将数据挖掘技术应用到高校教学质量监控中,使用因子分析法对计算机专业的学生成绩进行综合评价分析,并提出一种决策树改良方法对学生成绩进行预测,最后针对文中所提出的方法与其他方法进行了对比分析。结果表明,因子分析法相对于平均分排名法,蕴含了更多的信息量可以提供更加全面的评价,另外其突出重要因素,可以对各方面情况进行合理量化;决策树改良方法相对于其他成绩预测方法稳定性好、准确性高,且过拟合情况少。经验证,这个方法可以在高校教学质量监控中发挥一定作用。