数据挖掘技术在考生志愿分析中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·高考领域信息化建设的研究现状 | 第12-13页 |
| ·数据挖掘的国内外研究现状及发展趋势 | 第13-14页 |
| ·数据挖掘技术在高考数据分析中的研究现状 | 第14-15页 |
| ·研究内容 | 第15-16页 |
| ·本文章节安排 | 第16-17页 |
| 第2章 数据挖掘概述 | 第17-24页 |
| ·数据挖掘的基本概念 | 第17-18页 |
| ·数据挖掘的应用对象 | 第18-19页 |
| ·数据挖掘的功能及分类 | 第19-21页 |
| ·数据挖掘过程 | 第21-22页 |
| ·数据挖掘的常用方法 | 第22-23页 |
| ·概念描述法 | 第22页 |
| ·决策树分类法 | 第22页 |
| ·基于划分的聚类方法 | 第22-23页 |
| ·人工神经网络 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 考生志愿分析中使用的理论与相关技术 | 第24-51页 |
| ·平行志愿的投档方式 | 第24-25页 |
| ·在平行志愿模式下考生的自我定位 | 第24-25页 |
| ·考生数据预处理 | 第25-32页 |
| ·数据收集 | 第25-26页 |
| ·数据抽取 | 第26页 |
| ·数据清理 | 第26-28页 |
| ·数据载入 | 第28页 |
| ·数据集成 | 第28页 |
| ·数据选择 | 第28页 |
| ·数据整理 | 第28-32页 |
| ·决策树分类算法 | 第32-37页 |
| ·基本概念 | 第32-33页 |
| ·ID3算法 | 第33-35页 |
| ·C4.5算法 | 第35-37页 |
| ·决策树修剪技术 | 第37页 |
| ·用于考生志愿分析的改进决策树C4.5算法 | 第37-45页 |
| ·属性递归优化方法与经验优选策略相结合 | 第38-40页 |
| ·增量学习 | 第40页 |
| ·改进决策树C4.5算法的应用描述 | 第40-44页 |
| ·改进决策树C4.5算法的实验结果分析 | 第44-45页 |
| ·决策树剪枝 | 第45页 |
| ·聚类算法 | 第45-47页 |
| ·基于划分的聚类算法 | 第45-46页 |
| ·K-Means聚类算法 | 第46-47页 |
| ·用于考生志愿分析的改进K-MEANS算法 | 第47-50页 |
| ·初始聚类中心的选择 | 第48页 |
| ·改进K-Means算法的应用描述 | 第48-49页 |
| ·改进K-Means聚类算法的实验结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 考生志愿风险评估系统的设计与实现 | 第51-60页 |
| ·需求分析 | 第51页 |
| ·总体设计 | 第51-53页 |
| ·总体设计原则 | 第51-52页 |
| ·总体设计方案 | 第52-53页 |
| ·系统实现 | 第53-59页 |
| ·系统开发平台和工具 | 第53页 |
| ·系统程序的实现流程 | 第53-55页 |
| ·考生估分到标准分的转化 | 第55页 |
| ·数据库和数据库接口 | 第55页 |
| ·改进的决策树C4.5分类算法实现模块 | 第55-56页 |
| ·改进的K-Means聚类算法实现模块 | 第56-58页 |
| ·应用层界面 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 1 全文总结 | 第60页 |
| 2 未来研究工作 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表论文情况 | 第65页 |
| 参与的科研项目 | 第65页 |
