第一篇：數據倉庫與數據挖掘論文

決策樹在教學評價中的應用研究

摘 要 決策樹學習是人們廣泛使用的一種歸納推理形式。先就決策樹和決策樹學習算法進行介紹，然后用實例闡述決策樹在教育信息處理中的應用，主要以在教學評價中的應用為例來加以介紹。

關鍵詞 決策樹；數據挖掘；教育信息處理；教學評價

當今社會處于一個信息爆炸的時代，海量的數據可以用來選擇和發掘信息，然而有時卻讓人無從下手，因此數據挖掘技術受到人們的高度關注。數據挖掘是從大量的、不完全的、有噪聲的、模糊的或者隨機的數據中提取人們事先不知道的但又是有用的信息和知識的過程。它的方法很多，其中決策樹是一種解決實際應用分類問題的數據挖掘方法。在教育教學中，根據決策樹算法的實際特點，它可以在教育信息處理中的信息采集上發揮很大的作用。決策樹介紹

決策樹學習是人們廣泛使用的一種歸納推理形式。決策樹起源于概念學習系統，其思路是找出最有分辨能力的屬性，把數據庫劃分為許多子集（對應樹的一個分枝），構成一個分枝過程，然后對每一個子集遞歸調用分支過程，直到所有子集包含同一類的數據。最后得到的決策樹能對新的例子進行分類。它一般是從一組無次序、無規則的事例中推理出決策樹表示形式的分類規則。它一般需要給定一組訓練例子，訓練例子一般被看成用于創建模型的數據集。由此可以看出，決策樹是一個類似于流程圖的樹結構，其中每一個內部結點表示對一個屬性的測試，每一個分支代表一個決策輸出，而每個葉節點代表一個目標分類。決策樹通過把實例從根節點排列到某個葉子節點來分類實例，葉子結點即為實例所屬的分類，樹上每個節點說明對實例的某個屬性的測試，節點的每個后繼分支對應于該屬性的一個可能值。假如需要根據人員的外貌特征對人員進行分類，用于人員的外貌特征有3個，外貌列表={高度,發色,眼睛}；各屬性的值域分別為：高度={高,矮}，發色={黑色,紅色,金色}，眼睛={黑色,棕色}。分類結果有兩種：種類={+,-}。提供的訓練例子集為：T={<(矮,金色,黑色),+>,<(高,金色,棕色),->,<(高,紅色,黑色),+>,<(矮,黑色,黑色),->,<(高,黑色,黑色),->,<(高,金色,黑色),+>,<(高,黑色,棕色),->,<(矮,金色,棕色),->}。上述文字可構造圖1所示決策樹。決策樹學習算法

決策樹算法有幾種，如ID3、C4.5、CA RT等。其中ID3算法是最經典的算法，該算法從根節點開始，這個根結點被賦予一個最好的屬性。隨后對該屬性的每個取值都生成相應的分支，在每個分支的終點上又生成新的節點。然后按照該屬性的取值將每個訓練例子都分別賦給一個相應的新節點。如果沒有任何訓練例子能賦給某個節點，那么該節點連同相應的分支都將被刪除。這時，將每一個新節點都視作一個新的根節點，重復執行整個過程。這里，最好屬性的選擇要基于信息增益這個統計特性。在定義信息增益前，先要了解另一統計特性：熵。

給定一組有c個分類的訓練例子，對屬性a來說，它有值v，其中pi是在第i類中屬性a取值為v的概率。為了能選出最好的屬性，需要使用度量信息增益。一屬性的信息增益就是按照該屬性對訓練例子進行劃分所帶來的熵的減少量。其中，T是訓練例子的集合，Tj是屬性A取值為j的訓練例子集合，為T的一個子集。決策樹在教育中的應用

在教育教學中，尤其是在高等教育體系中，學校的數據庫中存貯著大量的教育教學信息，其中一部分和教學有關，如學校的開課排課情況、教師情況；一部分和學生有關，如學生歷年的考試、測驗成績等。這些大量的數據后面隱藏著大量的信息，只要加以分析，就能得到許多有用的信息，如教育規律、學生的培養模式、學生學科間的差異性和相關性的一些規律。這些規律對教育管理決策來說是相當重要的，對教育教學改革有指導性的意義。

3.1 決策樹在教育信息處理中的應用

決策樹表示的是一個離散值函數，樹中每一個節點表示一個屬性，同時目標分類具有離散的輸出值信息。教育中的大量信息，一般都是對一些離散的數據進行分析，比如學習成績一般分成優、良、中、差，外語六級成績分成過與未過，這些信息都可以用決策樹來加以分類歸納，對于連續的屬性值，也可以進行離散化處理后再利用決策樹來加以分析。

3.2 決策樹在教學評價中的應用案例

決策樹在教育信息處理中的應用很廣泛，下面以決策樹在教學評價中的應用為例，來說明在教育信息處理中是如何使用決策樹來分析的。教學評價在教育中是一個重要的問題，它是指依據一定的教學目標與教學規范標準，通過對學校教與學等教育情況的系統檢測與考核，評定其教學效果與教學目標的實現程度。教學評價具有復雜性、多因素性和模糊性等特點。如何客觀、科學、全面地對教學進行評價，是教學評價中一個重要的課題，下面嘗試將決策樹應用于教學評價。

在評價之初要有一個數據采集的過程，之后可以用決策樹來加以分析。課堂教學評價指標體系分為若干項，從教師的角度可以分為授課態度A1、授課方法A2、授課內容A3、授課效果A4、教學評價A5，可以取訓練例子如表1所示。

對給定的訓練例子數據是把連續的數據離散化的結果，A為評分90～100，B為評分80～89，C為評分70～79，D為評分60～69，E為評分<60，N1為教師編號，表中的A5為目標分類。

如果利用前面的ID3算法建立決策樹，先檢驗所有信息增益的特征屬性，選擇信息增益最大的屬性作為決策樹的結點，由該特征的不同取值建立分支，對此分支的實例子集遞歸該方法建立決策樹的結點和分支，直到某一子集中的例子屬于同一類。

對給定訓練例子的熵為：E(T)= 1.295 46。

表1 訓練例子

N1 A1 A2 A3 A4 A5 1 B B B B 良 2 B B B B 良 3 B B B C 良 4 A A A A 優 5 B C C C 中 6 C C C C 中 7 B C B B 良 8 B B C C 良 9 C B C C 中 A A B B 良

以屬性A1為例，A1的值={A,B,C}，由表中可以看出A3的信息增益最大，所以選A3屬性作為根節點的測試屬性，并根據其值向下分支，利用ID3算法進一步劃分，當根節點到當前節點的路徑上包括所有屬性或當前節點的訓練樣本同屬一類時，算法結束。根據以上分析給出圖2所示決策樹。

圖2 決策樹

可以根據生成的決策樹，方便地提取其描述的知識，比如授課內容A3在這里產生的信息增益最大等信息。小結

在教育信息中存在隱藏在數據中的規則，這些規則可以用不同的方法被挖掘。本文只是對決策樹中的分類ID3算法在數據處理中的應用進行研究，目的是得到教育教學中存在的規則，利用發現的規則對教育管理決策提供有參考意義的信息。

參 考 文 獻

[1]Callan R.人工智能[M].北京:電子工業出版社,2004 [2]尹朝慶.人工智能與專家系統[M].北京:中國水利水電出版社,2003 [3]朱福喜,等.人工智能原理[M].武漢:武漢大學出版社,2002 [4]陳翔,劉軍麗.應用決策樹方法構建評價指標體系[J].計算機應用,2006,26(2):368-370 [5]谷瓊,等.基于決策樹技術的高校研究生信息庫數據挖掘研究[J].電子技術應用,2006,32(1):20-22 [6]王中輝,等.決策樹在教學評價中的應用[J]甘肅科技,2006,22(3):125-126,106

第二篇：數據倉庫與數據挖掘結業論文

結合《數據倉庫與數據挖掘》課程內容，寫一篇與該課程內容相關的論文。

參考題目：

1.數據挖掘技術在數據倉庫中的應用

2.關聯規則在數據倉庫中的應用

3.Aproior算法及其改進

4.決策樹算法綜述

5.聚類技術在XXX中的應用

6.XXX分類算法在XXX中的應用

7.分類算法的比較

8.聚類算法的比較

9.……

10.……

要求如下：

1.最上面內容為：姓名、學號、專業和成績，見模板。

2.題目居中，宋體4號字加粗。

3.正文：首行縮進2個漢字，宋體小四號，行間距為1.25，頁面設置為：左-2 右-1.5 上-2 下-2.左側裝訂。

4.若包含圖或表，則居中。

5.至少4頁，并在每頁下面的中間加上頁碼。

模板如下：

姓名___________ 學號____________ 專業______________ 成績_____________

題目

1.引言

2.XXX

3.XXX

4.…

5.結論

第三篇：數據倉庫與數據挖掘學習心得.

數據倉庫與數據挖掘學習心得

通過數據倉庫與數據挖掘的這門課的學習,掌握了數據倉庫與數據挖掘的一些基礎知識和基本概念,了解了數據倉庫與數據庫的區別。下面談談我對數據倉庫與數據挖掘學習心得以及閱讀相關方面的論文的學習體會。

《淺談數據倉庫與數據挖掘》這篇論文主要是介紹數據倉庫與數據挖掘的的一些基本概念。數據倉庫是支持管理決策過程的、面向主題的、集成的、穩定的、不同時間的數據集合。主題是數據數據歸類的標準,每個主題對應一個客觀分析的領域,他可為輔助決策集成多個部門不同系統的大量數據。數據倉庫包含了大量的歷史數據,經集成后進入數據倉庫的數據極少更新的。數據倉庫內的數據時間一般為5年至10年,主要用于進行時間趨勢分析。數據倉庫的數據量很大。

數據倉庫的特點如下:

1、數據倉庫是面向主題的;

2、數據倉庫是集成的,數據倉庫的數據有來自于分散的操作型數據,將所需數據從原來的數據中抽取出來,進行加工與集成,統一與綜合之后才能進入數據倉庫;

3、數據倉庫是不可更新的,數據倉庫主要是為決策分析提供數據,所涉及的操作主要是數據的查詢;

4、數據倉庫是隨時間而變化的,傳統的關系數據庫系統比較適合處理格式化的數據,能夠較好的滿足商業商務處理的需求,它在商業領域取得了巨大的成功。

作為一個系統,數據倉庫至少包括3個基本的功能部分:數據獲取:數據存儲和管理;信息訪問。

數據挖掘的定義:數據挖掘從技術上來說是從大量的、不完全的、有噪音的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在的有用的信息和知識的過程。

數據開采技術的目標是從大量數據中,發現隱藏于其后的規律或數據間的的關系,從而服務于決策。數據挖掘的主要任務有廣義知識;分類和預測;關聯分析;聚類。

《數據倉庫與數據挖掘技術在金融信息化中的應用》論文主要通過介紹數據額倉庫與數據挖掘的起源、定義以及特征的等方面的介紹引出其在金融信息化中的應用。在金融信息化的應用方面,金融機構利用信息技術從過去積累的、海量的、以不同形式存儲的數據資料里提取隱藏著的許多

重要信息,并對它們進行高層次的分析,發現和挖掘出這些數據間的整體特征描述及發展趨勢預測,找出對決策有價值的信息,以防范銀行的經營風險、實現銀行科技管理及銀行科學決策。

現在銀行信息化正在以業務為中心向客戶為中心轉變6銀行信息化不僅是數據的集中整合,而且要在數據集中和整合的基礎上向以客為中心的方向轉變。銀行信息化要適應競爭環境客戶需求的變化,創造性地用信息技術對傳統過程進行集成和優化,實現信息共享、資源整合綜合利用,把銀行的各項作用統一起來,優勢互補統一調配各種資源,為銀行的客戶開發、服務、綜理財、管理、風險防范創立堅實的基礎,從而適應日益發展的數據技術需要,全面提高銀行競爭力,為金融創新和提高市場反映能力服務。沃爾瑪利用信息技術建設的數據倉庫,在1997年圣誕節進行市場技術建立的數據倉庫,即分析顧客最可能一起購買那些商品,結果產生了經典的“啤酒與尿布”的故事,這便是借助于數據倉庫系統

第四篇：數據挖掘與數據倉庫--教學大綱

數據挖掘與數據倉庫（教學大綱）

Data mining and data warehouse

課程編碼：05405140 學分： 2.5 課程類別： 專業方向課 計劃學時： 48 其中講課：32 實驗或實踐： 上機：16 適用專業：信息管理與信息系統、電子商務 推薦教材：

陳文偉，數據倉庫與數據挖掘教程，清華大學出版社，2008 參考書目：

1.Richard J.Roiger, Michael W.Geatz.Data Mining: A Tutorial-Based Primer.2003.2.Ian H.Witten, Eibe Frank.Data Mining: Practical Machine Learning Tools and Techniques(第二版).機械工業出版社（影印版），2005.3.Jiawei Han, Micheline Kamber.Data Mining: Concepts and Techniques.2001.5.4.數據倉庫與數據挖掘技術（第2版），陳京民 編著，電子工業出版社，2007.11 5.數據倉庫和數據挖掘，蘇新寧 等編著，清華大學出版社，2006.4 6.數據挖掘Clementine應用實務，謝邦昌 主編，機械工業出版社，2008.4

課程的教學目的與任務

本課程將系統介紹數據挖掘的基本概念、基本原理和應用基礎，通過課堂講授、實例分析，提高學生數據挖掘技術的認識，熟悉基本工具應用，并掌握設計和開發數據挖掘算法和系統的初步能力。

課程的基本要求

1、了解數據倉庫及數據挖掘的概念、特征、應用范圍，以及主要數據挖掘工具

2、了解OLTP 和 OLAP的區別；熟悉OLAP 的體系結構，以及如何評價OLAP工具；掌握多維分析的基本分析動作。

3、了解數據質量，掌握數據預處理方法，4、掌握數據挖掘的定性歸納技術、關聯挖掘、聚類分析、分類方法、預測方法、文本挖掘、WEB挖掘

5、熟練掌握數據挖掘軟件Clementine在各類挖掘任務中的應用。各章節授課內容、教學方法及學時分配建議（含課內實驗）

第一章.數據倉庫與數據挖掘概述 建議學時：2 [教學目的與要求] 了解數據倉庫及數據挖掘的概念、特征、應用范圍，以及主要數據挖掘工具。[教學重點與難點] 數據倉庫及數據挖掘的概念

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 1.1 為什么要數據挖掘 1.2 數據挖掘的應用示例 1.3 數據挖掘方法簡介

1.4 數據挖掘與其他學科的關系 1.5 商務智能的三大塊 1.6 常用數據挖掘工具簡介

第二章 數據倉庫技術

建議學時：4 [教學目的與要求] 了解數據倉庫的概念，區分與傳統數據庫技術的不同；掌握數據倉庫存儲的抽取、轉換和裝載

[教學重點與難點] 數據倉庫存儲的抽取、轉換和裝載；數據倉庫存儲的數據模型 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 2.1 數據倉庫的概念

2.2 數據倉庫存儲的數據模型 2.3 數據倉庫的體系結構

2.4 數據倉庫應用的抽取、轉換和裝載

第三章 數據倉庫開發模型

建議學時：4 [教學目的與要求] 了解數據倉庫開發模型的概念，了解數據倉庫開發過程，掌握數據倉庫三種概念模型：星型模式、雪花模式、或事實星座模式，掌握數據粒度概念，元數據概念。

[教學重點與難點] 數據倉庫三種概念模型，數據粒度概念，元數據概念 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 3.1 數據倉庫開發模型的概念

3.2 數據倉庫的概念模型 3.3 數據倉庫的邏輯模型 3.4 數據倉庫的物理模型 3.5 數據倉庫的生成

3.6 數據倉庫的使用和維護

3.7 數據倉庫的粒度、聚集和分割 3.8 元數據

第四章 聯機分析處理(OLAP)技術 建議學時：4 [教學目的與要求] 了解OLTP 和 OLAP的區別；熟悉OLAP 的體系結構，以及如何評價OLAP工具；掌握多維分析的基本分析動作。[教學重點與難點] OLAP 的體系結構；多維分析的基本分析動作 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 4.1 從OLTP 到 OLAP 4.2 OLAP 的基本概念

4.3 多維分析的基本分析動作 4.4 OLAP 的數據組織 4.5 OLAP 的體系結構 4.6 OLAP 工具及評價

4.7 Codd 關于 OLAP 產品的十二條評價準則

第五章 數據挖掘的原理與技術 建議學時：4 [教學目的與要求] 了解為什么要數據挖掘、數據挖掘與其他學科的關系，熟悉常用數據挖掘方法和工具，掌握數據挖掘的原理與技術。

[教學重點與難點] 數據挖掘的原理與技術，數據挖掘與其他學科的關系 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 5.1 知識發現的過程

5.2 數據挖掘的方法和技術 5.3 數據挖掘的知識表示

第六章 數據的獲取和管理 建議學時：4 [教學目的與要求] 了解數據的數據獲取和管理，掌握數據質量的多維度量，掌握數據預處理方法 [教學重點與難點] 數據質量，數據預處理方法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 6.1 數據倉庫的數據獲取 6.2 數據管理 6.3 系統管理 6.4 數據的預處理

6.5 數據質量的多維度量 6.6 數據預處理的主要方法

第七章 定性歸納

建議學時：2 [教學目的與要求] 了解數據挖掘的定性歸納技術，掌握ID3算法、C5.0算法。[教學重點與難點] ID3算法、C5.0算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 7.1 基本概念 7.2 數據泛化 7.3 屬性相關分析 7.4 挖掘概念對比描述

7.5 挖掘大數據庫的描述型統計信息

第八章 關聯挖掘

建議學時：2 [教學目的與要求] 了解關聯挖掘和的方法，掌握Apriori算法 [教學重點與難點] Apriori算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 8.1 基本概念

8.2 單維布爾邏輯關聯規則挖掘 8.3 多層關聯規則挖掘 8.4 多維關聯規則挖掘

8.5 關聯規則聚類系統(ARCS)8.6 關聯規則其它內容

第九章

聚類分析

建議學時：2 [教學目的與要求] 了解什么是聚類分析、聚類和分類的區別，掌握聚類分析的算法。[教學重點與難點] 聚類分析的算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 9.1 什么是聚類分析

9.2 聚類分析中的數據類型 9.3 主要聚類算法的分類

第十章 分類 建議學時：2 [教學目的與要求] 了解什么是數據挖掘的分類，掌握KNN(K-Nearest Neighbor)分類和Bayes分類 [教學重點與難點] KNN(K-Nearest Neighbor)分類和Bayes分類 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 10.1 10.2 10.3 10.4 10.5

第十一章 預測 建議學時：2 [教學目的與要求] 了解預測算法，掌握回歸預測、廣義線性GenLin模型預測、支持向量機預測 [教學重點與難點] 回歸預測、廣義線性GenLin模型預測、支持向量機預測 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學為輔 [授 課 內 容] 11.1 11.2 預測的基本知識 預測的數據準備 分類的基本知識 決策樹分類 支持向量機分類

KNN(K-Nearest Neighbor)分類 Bayes分類 11.3 11.4 11.5 11.6

預測的主要方法 回歸預測

廣義線性GenLin模型預測 支持向量機預測

撰稿人：蔡永明 審核人：

第五篇：數據倉庫與數據挖掘第一次作業

數據倉庫與數據挖掘第一次作業

電子商務這一行業目前還處于摸索期，有很多需要完善和可以創新的地方。這學期選修了袁老師的《電子商務》，印象最深的就是老師提過這樣的想法：電商（主要是B2B）、百度等搜索引擎以及新浪微博等社交平臺都是可以做咨詢業的，即根據客戶的消費（或搜索）記錄、評價等信息定期為企業生成反饋報告。要實現之一定是需要數據倉庫和數據挖掘等這類技術，通過收集、分析大量客戶數據，為企業的預測、決策提供情報。

企業通過電子商務網站開展網絡經營的過程中，利用數據倉庫組織和存儲大量的客戶信息，在此基礎上利用數據挖掘技術對這些信息進行抽取、分析，找出更深層次的隱藏信息，從而使企業的電子商務網站達到更高的客戶滿意度，將大大地提高企業網絡經營的效率，大大降低企業的運營成本。具體功能和作用如下： 首先，電子銷售商可以獲知訪問者的個人愛好，更加充分地了解顧客的需要，并根據顧客的資料分析潛在的目標市場。

其次，企業也可以了解客戶的價值，利用數據倉庫的資料，發現什么樣的顧客群在網站上購買什么商品，區分高價值顧客和一般價值顧客，對各類顧客采取相應的營銷策略。

再次，根據顧客的歷史資料，不僅可以預測需求趨勢，還可以評估需求傾向的改變，為顧客提供更好的服務。

另外，企業通過理解訪問者的動態行為可以優化電子商務網站的經營模式。最后，對涉及消費行為的大量信息進行收集、加工和處理，企業就可以確定特定消費群體或個體的興趣、消費習慣、消費傾向和消費需求，進而推斷出相應消費群體或個體下一步的消費行為，然后以此為基礎，對所識別出來的消費群體進行特定內容的定向營銷。例如：（1）對那些要通過網站發送廣告的企業，分析用戶訪問模式有助于針對性地在某些用戶經常訪問的地方插播廣告條。這樣，根據這些信息，網站的建設者就可以對特定的顧客群提供個性化廣告服務。這種廣告要比泛泛的、隨意的廣告有價值得多；（2）在強大的數據挖掘技術與全面的顧客資料數據基礎上，企業可以根據各個細分市場，甚至是每一個顧客的獨特需求來為他們設計“量身定造”的產品。高度細分化、定制化的產品有利于提高顧客滿意度，鞏固與他們的長久關系，最終達到留住顧客的目的；（3）針對顧客設計個性化網站。利用數據挖掘工具，電子商務網站可以做到以顧客需求為導向，達到一對一行銷的目的。網站將改變原有的千篇一律的形式，而強調信息個性化，亦即顧客所得到的信息將是網站針對其個人喜好、需求與特點的設定所給予的，也就是符合顧客的個人信息需求。例如顧客可以到一些新聞上去訂閱他喜歡看的信息類別，如政治新聞或科技新聞。當使用者再次拜訪此網站時，網站就會智能地只顯示出該顧客所喜歡看的信息。