数据挖掘在学生在线测试与预测中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题的背景与研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外教育数据挖掘研究动态 | 第13-18页 |
| 1.2.1 EDM的发展历程 | 第15-16页 |
| 1.2.2 EDM的最新研究进展 | 第16-17页 |
| 1.2.3 现有研究的不足及发展趋势 | 第17-18页 |
| 1.3 论文结构 | 第18-19页 |
| 第二章 教育数据挖掘概述 | 第19-29页 |
| 2.1 教育大数据 | 第19-22页 |
| 2.1.1 教育大数据的特点 | 第19-21页 |
| 2.1.2 教育数据的挖掘方法 | 第21-22页 |
| 2.2 教育数据挖掘的工作过程 | 第22-25页 |
| 2.2.1 预处理 | 第23-24页 |
| 2.2.2 模型训练 | 第24页 |
| 2.2.3 模型评估 | 第24-25页 |
| 2.3 分类算法介绍 | 第25-28页 |
| 2.3.1 C4.5决策树算法 | 第25-26页 |
| 2.3.2 逻辑回归 | 第26-27页 |
| 2.3.3 支持向量机SVM算法 | 第27页 |
| 2.3.4 贝叶斯网络算法 | 第27页 |
| 2.3.5 BP神经网络算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 数据挖掘过程 | 第29-37页 |
| 3.1 数据集描述 | 第29-33页 |
| 3.2 数据预处理 | 第33-35页 |
| 3.2.1 特征选择 | 第33-34页 |
| 3.2.2 二次抽样 | 第34页 |
| 3.2.3 特征变换 | 第34-35页 |
| 3.3 模型训练 | 第35-36页 |
| 3.4 模型评估 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 改进的挖掘过程 | 第37-45页 |
| 4.1 改进的思路 | 第37-38页 |
| 4.2 更接近实际的挖掘过程 | 第38-42页 |
| 4.2.1 划分训练集和测试集的思路 | 第38-39页 |
| 4.2.2 新的预处理过程 | 第39-40页 |
| 4.2.3 缺失值插补 | 第40-41页 |
| 4.2.4 挖掘过程和结果 | 第41-42页 |
| 4.3 检验模型泛化能力 | 第42-43页 |
| 4.4 小结 | 第43-45页 |
| 第五章 实际应用 | 第45-53页 |
| 5.1 教育在线数据集描述 | 第45-47页 |
| 5.1.1 StudentChance数据集 | 第45-46页 |
| 5.1.2 PSChance数据集 | 第46页 |
| 5.1.3 KCChance数据集 | 第46-47页 |
| 5.2 在线预测的设计实现过程 | 第47-50页 |
| 5.2.1 数据计算及转存 | 第47-49页 |
| 5.2.2 均值计算及转存 | 第49-50页 |
| 5.2.3 数据回填 | 第50页 |
| 5.3 实际数据中的模型性能 | 第50-51页 |
| 5.4 小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 附录A 攻读学位其间发表论文目录 | 第63-65页 |
| 附录B 划分训练集和测试集的程序清单 | 第65-73页 |
| 附录C 决策树文字表示 | 第73-79页 |
