基于K-means算法的人員體能考核標(biāo)準(zhǔn)研究

武警工程大學(xué) 高見文 葛衛(wèi)麗

武警杭州士官學(xué)校 郭 程

基于K-means算法的人員體能考核標(biāo)準(zhǔn)研究

武警工程大學(xué) 高見文 葛衛(wèi)麗

武警杭州士官學(xué)校 郭 程

在人員體能分類訓(xùn)練和考核中，根據(jù)傳統(tǒng)的四級制分類方法對考核人員進(jìn)行分類，但傳統(tǒng)方法往往存在標(biāo)準(zhǔn)固化、缺乏定量考察、人員分類不具體等問題，進(jìn)而導(dǎo)致訓(xùn)練人員訓(xùn)練積極性不高，出現(xiàn)“及格萬歲，多一秒浪費(fèi)”的消極訓(xùn)練傾向。針對這一問題，本文提出將K-means算法應(yīng)用于人員體能考核標(biāo)準(zhǔn)的制中，運(yùn)用K-means算法對人員體能考核成績進(jìn)行分析和處理，根據(jù)人員總體考核成績制定分類標(biāo)準(zhǔn)。

K-means算法；體能考核標(biāo)準(zhǔn)

1.引言

隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，現(xiàn)實生活和網(wǎng)絡(luò)世界中產(chǎn)生越來越多的數(shù)據(jù)，如何在這些海量數(shù)據(jù)中挖掘出對人們有用的信息，是一個急需解決的問題。因此數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，數(shù)據(jù)挖掘顧名思義就是在給定的數(shù)據(jù)集中挖掘出有用信息的過程，而聚類分析是最為常用的數(shù)據(jù)挖據(jù)方法之一［1］?！拔镆灶惥邸毙蜗蟮恼f明了聚類的含義，聚類分析就是將相似的失事物聚集起來，使其相似度最大；不相似的事物區(qū)分開來，使其之間的不同盡可能的大［2］。聚類是一種無監(jiān)督的學(xué)習(xí)過程，是在沒有先驗知識的前提下將未標(biāo)注的數(shù)據(jù)集劃分為多個相似子類。聚類分析能夠?qū)?shù)據(jù)進(jìn)行有效分析和管理，是數(shù)據(jù)處理中的一個重要研究方向。

聚類分析作為一種有效的數(shù)據(jù)處理方法，具有不依靠先驗知識和有效處理多個變量決定的分類等優(yōu)點，成為當(dāng)前數(shù)據(jù)挖掘領(lǐng)域具有代表性的分析和挖掘方法并得到廣泛關(guān)注［3］。隨著信息檢索技術(shù)不斷發(fā)展，聚類被廣泛應(yīng)用于文檔自動摘要、信息檢索等領(lǐng)域，而K-means算法是各種聚類算法中最為常用的一種聚類算法。

2.K-means算法

K-means是將未標(biāo)注的數(shù)據(jù)集劃分為k個簇，使得簇內(nèi)數(shù)據(jù)點具有較高相似度，簇間數(shù)據(jù)具有較高非相似度的一種聚類算法［4］。每個簇表示一個聚類，相似度即為簇中全體數(shù)據(jù)點的平均值。

相似度的計算采用歐氏距離或曼哈頓距離，通常使用誤差平方和（SSM）作為收斂評價標(biāo)準(zhǔn)，SSM定義如下：

式中，dist表示元素與聚類中心的距離，Ci表示第i個簇，x為屬于簇i中元素的集合，ci表示第i個簇的中心。

具體算法流程如下：（1）隨機(jī)選擇數(shù)據(jù)集中k個元素作為初始簇的中心；（2）根據(jù)簇中元素的均值，將每個元素歸于最近的簇中心，形成k個簇；（3）重新計算每個簇中元素的均值；（4）重復(fù)（2）（3）步，直到簇的中心不再變化為止。

3.傳統(tǒng)人員體能考核標(biāo)準(zhǔn)和分類存在的不足

傳統(tǒng)的人員考核標(biāo)準(zhǔn)采用四級制分類，即優(yōu)秀、良好、及格、不及格，在不同成績范圍內(nèi)的人員，被分配到不同的類別中，進(jìn)而獲得相應(yīng)的成績。

四級制分類方法雖然簡單易操作，但是其缺點也是非常明顯的［5］。四級制分類方法正是因為其操作和處理簡單，使得考核成績中蘊(yùn)含的大量有用信息無法得到利用，信息增益過低。此外，由于考核標(biāo)準(zhǔn)制定過于寬泛，使得在同一層次類別中的人員，在實際考核成績中往往也存在著巨大的差異，例如在5000米考核中22′01″的人員與22′59″的人員是被劃入同意類別中的，但二者之間的差距足足有1分鐘之多，顯然，這是不合理的。再者，由于缺乏定量分析，四級制分類法不利于后續(xù)的人員分類訓(xùn)練，在考核劃分時“一刀切”和“大鍋飯”進(jìn)一步導(dǎo)致在下一步的訓(xùn)練中也出現(xiàn)“一刀切”和“大鍋飯”的問題，非常不利于提高人員訓(xùn)練成績。

4.K-means算法

選取100名受訓(xùn)人員體能考核成績，如表1。為了與四級制分類法相對應(yīng)將K-means算法的k值設(shè)為4，每一個數(shù)據(jù)點分別有5000米跑、單杠、100米跑和50米折返跑成績組成，所以每個參與聚類的數(shù)據(jù)點是一個4維數(shù)據(jù)。

表1　受訓(xùn)人員考核成績

經(jīng)過K-means算法聚類后，受訓(xùn)人員被分為4個類，每一個的結(jié)果如下表：

表2　聚類結(jié)果

為了更清晰的體現(xiàn)于傳統(tǒng)四級制分類法的對比，以5000米為例，兩種方法分類結(jié)果如下：

表3　對比結(jié)果

從表3中可以看出利用K-means算法來進(jìn)行人員體能考核標(biāo)準(zhǔn)的制定和分類，比四級制分類具有更小的SSE，分類效果更好，更能貼近受訓(xùn)者的實際情況。

5.結(jié)論

針對傳統(tǒng)人員體能考核標(biāo)準(zhǔn)和分類存在的不足，本文利用K-means算法，通過對參訓(xùn)人員考核成績的分析，根據(jù)考核成績所體現(xiàn)出的受訓(xùn)人員訓(xùn)練實際水平，對受訓(xùn)人員進(jìn)行分類，從實驗結(jié)果來看，K-means算法的分類效果更佳，更能反映受訓(xùn)人員的真實訓(xùn)練水平，更加靈活的對人員進(jìn)行分類，并制定相應(yīng)的訓(xùn)練計劃。

［1］Sean O，Robin A，Ted D，等.Mahout實戰(zhàn)［M］.王斌，韓冀中，萬吉，譯.北京：人民郵電出版社，2015.

［2］Liu Bing.Web數(shù)據(jù)挖掘（第2版）［M］.俞勇，薛貴榮，韓定，譯.北京：清華大學(xué)出版社，2015.

［3］Aliguliyev RM.Clustering of document collection-A weighting approach ［J］.Expert Systems with Applications，2009，36（4）：7904-7916.

［4］謝娟英，高紅超.基于統(tǒng)計相關(guān)性與K-means的區(qū)分基因子集選擇算法［J］.軟件學(xué)報，2014，25（9）：2050-2075.

高見文（1991—），山東臨沂人，碩士研究生，現(xiàn)就讀于武警工程大學(xué)。