摘 要：探討了將K-means聚類算法應(yīng)用于計(jì)算機(jī)基礎(chǔ)課程分層教學(xué)學(xué)生入學(xué)基礎(chǔ)測(cè)試成績(jī)分析的過(guò)程中。針對(duì)K-means算法的特點(diǎn)，對(duì)收集的學(xué)生成績(jī)參數(shù)進(jìn)行設(shè)定，并做一定的規(guī)范處理，然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。最后，使用K-means算法，對(duì)學(xué)生計(jì)算機(jī)基礎(chǔ)入學(xué)測(cè)試成績(jī)進(jìn)行層次劃分類別分析評(píng)價(jià)。

關(guān)鍵詞：K臨近算法；數(shù)據(jù)挖掘；分層教學(xué)；聚類

一、數(shù)據(jù)挖掘概述

數(shù)據(jù)挖掘，又稱為數(shù)據(jù)庫(kù)中知識(shí)發(fā)現(xiàn)（Knowledge Discovery from Database，簡(jiǎn)稱KDD），它是一個(gè)從大量不完全、有噪聲的數(shù)據(jù)中抽取挖掘出未知的、潛在有價(jià)值的模式或規(guī)律等知識(shí)的復(fù)雜過(guò)程。

1.數(shù)據(jù)挖掘中的聚類算法

現(xiàn)在的聚類算法主要有：基于密度和層次方法、基于劃分和模型方法等。

（1）基于密度的方法（Density-Based Methods）

基于密度的方法的重要特點(diǎn)在于：它的聚類準(zhǔn)則不是基于距離的，而是基于密度的。通過(guò)這種方法能避免基于距離的算法只能發(fā)現(xiàn)“類圓形”聚類的缺點(diǎn)，并發(fā)現(xiàn)非“類圓形”的聚類結(jié)果。它的基本設(shè)計(jì)思想是：如果區(qū)域中的點(diǎn)的密度大于某個(gè)域值，那么就把這個(gè)樣本加到與之相近的聚類中。其代表算法有OPTICS算法、DBSCAN算法、DENCLUE算法等。

（2）基于層次的方法（Hierarchical Methods）

這種方法就是把數(shù)據(jù)庫(kù)劃分成多個(gè)層次，直到滿足某種條件為止。輸出為層次化的分類樹。自底向上的方法稱為凝聚的方法，最初將每個(gè)數(shù)據(jù)對(duì)象作單獨(dú)的一個(gè)組，然后合并相近的對(duì)象或組，直到所有的組合并為一個(gè)層次，或滿足某個(gè)終止條件。自頂向下的方法又稱為分裂的方法，最開始將所有的對(duì)象歸到一個(gè)層次，然后進(jìn)行迭代，通過(guò)迭代使一個(gè)類劃分成更小的類。直到最終每個(gè)對(duì)象在單獨(dú)的一個(gè)類中，或者達(dá)到一個(gè)終止條件。BIRCH算法、CURE算法、CHAMELEON算法等都屬于基于層次的算法。

（3）基于劃分的方法（Partitioning Methods）

劃分法，即給定一個(gè)有N個(gè)元組或者記錄的數(shù)據(jù)集，隨機(jī)構(gòu)造K個(gè)分組，每一個(gè)分組就代表一個(gè)聚簇，K

對(duì)于給定的K，算法首先給出一個(gè)初始的分組方法，以后通過(guò)反復(fù)迭代的方法改變分組，使每一次改進(jìn)之后的分組方案都較前一次好，而所謂好的標(biāo)準(zhǔn)就是：同一組中的記錄越近越好，而不同分組中的記錄越遠(yuǎn)越好。使用這個(gè)基本思想的算法有：K均值算法、K中心點(diǎn)算法、CLARANS算法。

2.K臨近算法

K-means算法是一種最經(jīng)典，也是使用最廣泛的聚類方法。K-means的基本思想是：對(duì)于一個(gè)聚類任務(wù)指明聚成幾個(gè)類，然后隨機(jī)選擇K個(gè)聚類簇中心點(diǎn)，迭代計(jì)算下面的過(guò)程直到所有簇中心收斂為止：

STEP 1：對(duì)于每個(gè)對(duì)象，計(jì)算其與每個(gè)簇中心的相似度，把其歸入與其最相似的那一個(gè)簇中。

STEP 2：更新簇中心，新的簇中心通過(guò)計(jì)算所有屬于該簇的對(duì)象的平均值得到。

二、聚類算法的實(shí)施

算法的實(shí)施步驟大體分為數(shù)據(jù)集成、數(shù)據(jù)清理、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘、知識(shí)獲取等過(guò)程。

1.成績(jī)數(shù)據(jù)的集成

數(shù)據(jù)集成的過(guò)程是對(duì)多個(gè)數(shù)據(jù)源進(jìn)行科學(xué)的數(shù)據(jù)合并。本研究中我們對(duì)2013級(jí)學(xué)生計(jì)算機(jī)應(yīng)用基礎(chǔ)入學(xué)測(cè)試成績(jī)數(shù)據(jù)，進(jìn)行采集，數(shù)據(jù)來(lái)源于入學(xué)測(cè)試考試軟件隨機(jī)生成題庫(kù)對(duì)學(xué)生參與考試得出的詳細(xì)數(shù)據(jù)。

我們認(rèn)為分層教學(xué)劃分層次的依據(jù)不能單單以入學(xué)測(cè)試的總成績(jī)?yōu)闇?zhǔn)，為了更加了解學(xué)生對(duì)各個(gè)需要掌握的基本知識(shí)所屬章節(jié)知識(shí)的掌握情況，考試的基礎(chǔ)數(shù)據(jù)還需要包含章節(jié)知識(shí)的得分率等數(shù)據(jù)內(nèi)容。我們把主要數(shù)據(jù)放在學(xué)生成績(jī)分析基礎(chǔ)表里面。學(xué)生成績(jī)基礎(chǔ)表包含（學(xué)號(hào)、姓名、總成績(jī)、計(jì)算機(jī)基礎(chǔ)知識(shí)、計(jì)算機(jī)系統(tǒng)組成、字處理、演示文稿、電子表格、計(jì)算機(jī)網(wǎng)絡(luò)、計(jì)算機(jī)安全、文字錄入）等字段，別記錄了學(xué)生的總成績(jī)與各個(gè)章節(jié)內(nèi)容的得分情況。

2.數(shù)據(jù)清理

數(shù)據(jù)清理主要是填補(bǔ)遺漏數(shù)據(jù)，在本研究中我們忽略學(xué)生姓名、考試時(shí)間等與數(shù)據(jù)分析無(wú)關(guān)的數(shù)據(jù)列成分。

3.數(shù)據(jù)的轉(zhuǎn)換過(guò)程

數(shù)據(jù)轉(zhuǎn)換的過(guò)程主要是為了對(duì)數(shù)據(jù)進(jìn)行規(guī)范化的操作，對(duì)數(shù)據(jù)的格式進(jìn)行統(tǒng)一規(guī)定，從而匹配數(shù)據(jù)挖掘算法。對(duì)學(xué)生成績(jī)進(jìn)行聚類分析的時(shí)候，學(xué)生各個(gè)章節(jié)的成績(jī)和總成績(jī)的數(shù)據(jù)類型都統(tǒng)一成數(shù)值類型。

4.算法結(jié)果分析

通過(guò)K-means算法的分析，我們得到的聚類1中成績(jī)偏低的學(xué)生有25個(gè)，聚類2成績(jī)較好的學(xué)生有38個(gè)，由此作為分層教學(xué)的分班依據(jù)。通過(guò)具體章節(jié)得分率的聚類選擇，能更好得出學(xué)生掌握計(jì)算機(jī)基礎(chǔ)知識(shí)的準(zhǔn)確數(shù)據(jù)，如果單單以學(xué)生考試的總成績(jī)來(lái)作為分層教學(xué)的依據(jù)，會(huì)造成分班的不合理。

本文探討了K-means聚類算法，將此算法應(yīng)用于計(jì)算機(jī)基礎(chǔ)課程分層教學(xué)學(xué)生入學(xué)基礎(chǔ)測(cè)試成績(jī)分析中。首先在針對(duì)K-means算法的特點(diǎn)，對(duì)收集的學(xué)生成績(jī)參數(shù)進(jìn)行設(shè)定做一定的規(guī)范處理，然后對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，然后使用K-means算法，對(duì)學(xué)生計(jì)算機(jī)基礎(chǔ)入學(xué)測(cè)試成績(jī)進(jìn)行層次劃分類別分析評(píng)價(jià)。針對(duì)不同類別的學(xué)生，實(shí)施分層教學(xué)，為實(shí)施好分層教學(xué)改革提供了數(shù)據(jù)和理論支持。

參考文獻(xiàn)：

鐘志賢，曹東云.基于信息技術(shù)的反思學(xué)習(xí)[J].遠(yuǎn)程教育，2004（4）：7-10.

作者簡(jiǎn)介：劉明綱，性別，男，1978年10月出生，碩士，就職學(xué)校：成都市成都工業(yè)學(xué)院網(wǎng)絡(luò)中心，研究方向：數(shù)據(jù)挖掘，數(shù)據(jù)庫(kù)技術(shù)。