基于数据挖掘技术的试卷质量聚类分析系统

教育是一个复杂的系统工程,试卷质量分析是这系统工程中的重要环节。为了全面地分析试卷背后隐藏的内在问题,本文在k平均分区算法和层次凝聚算法的基础上,提出了一种速度更快、聚类质量更好的聚类算法(ICAA算法),并已成功地将该算法应用到试卷质量分析中。

数据聚类算法的改进及其应用

在分析和比较k平均分区算法和层次凝聚算法的基础上,提出了一种新的改进算法(NQ算法)。并以贵州民族学院近四年学生试卷数据作为测试数据,对NQ算法与k平均分区算法和层次凝聚算法进行了性能对比,实践证明:NQ算法是有效、可靠和快速的。

一种面向精细化地理分区的空间约束聚类方法

在空间分区的相关研究中,虽然已有经典聚类算法k均值聚类(k-means)结合空间约束的成果,但其对于连续平铺面状地理要素的空间聚类适用性不高。因此,本文开展对k-means算法进行空间约束的探讨。通过改进SKATER算法的空间约束方式,构建一种包含自然扩张与次优扩张过程的空间约束的k-means算法;并在两个公共数据集上与已有研究方法进行比较评价。结果表明:本文方法尤其适用于处理连续平铺面状地理要素的分区;通过轮廓系数、DB指数及总残差平方和三个评价指标知,本文方法优于已有的SKATER、AZP及SC k-means方法。研究成果不仅能够为地理信息系统中的空间数据处理提供新的工具,也为聚类算法的研究提供了新的视角。