数据挖掘在高校考研预测成绩分析中的应用研究

摘要

近年来各高等院校的竞争愈发激烈，考研率成为了衡量各高等院校教学质量的重要指标之一，而如何更好地指导学生参加考研也是高等院校教学管理中值得重视的问题。因为缺乏科学的指导，辅导员只能通过自己的主观意识来判断学生是否愿意参加考研、以及学生是否有能力参加考研。通过数据挖掘在教学管理中的应用，科学地提高高等院校的考研报考率和考研录取率已经成为教学管理中值得探索的问题之一。
　　随着数据挖掘技术的不断发展，数据挖掘技术在各高等院校的教学管理中也应用的越来越广泛。本文通过介绍数据挖掘的基本理论知识、数据挖掘的几种常用算法以及其在Weka平台上的软件应用，将数据挖掘技术应用到预测高校考研成绩中。针对高等院校考研工作一直缺乏科学指导的情况，利用数据挖掘的技术在预测考研方面的应用，为高等院校的考研指导工作提供理论依据，解决了一些实际问题。
　　在学院教务系统管理人员的帮助下，通过Weka软件对某校08级和09级计算机科学与电子技术系所有学生的在校成绩进行分析，预测各班考研的录取情况。本文重点介绍了贝叶斯分类算法、LIBSVM支持向量机分类算法以及线性回归和决策树相结合的分类算法这三种数据挖掘算法在Weka中的应用。通过对比三种算法找出本数据模型的较优模型，来分析计算机科学与电子技术系各个班级学生在校四年成绩对考研录取率的影响，根据数据挖掘的结果，更好的为辅导员指导班级考研工作提供数据支持，使得班级考研有效报考率和录取率增大的可能性更多。

目录

声明

摘要

第一章 引言

1．1 课题的研究背景及选题意义

1．2 国内外研究现状

1．3 论文研究内容

第二章 数据挖掘理论概述

2．1 数据挖掘技术的概念

2．2 数据挖掘的过程

2．3 数据挖掘的分析方法

2．4 数据挖掘的算法

2．5 数据挖掘的几个常用概念

2．6 数据挖掘常用软件工具

2．7 本章小结

第三章 数据挖掘常用算法的分析

3．1 贝叶斯分类

3．1．1 贝叶斯分类的概念

3．1．2 贝叶斯法则

3．1．3 先验概率和后验概率

3．1．4 贝叶斯定理

3．1．5 贝叶斯分类举例

3．1．6 朴素贝叶斯分类的工作过程

3．2 支持向量机

3．2．1 支持向量机的概念

3．2．2 统计学习理论的介绍

3．2．3 支持向量机的算法

3．3 回归分析

3．3．1 回归分析的概念

3．3．2 回归分析的内容与步骤

3．3．3 一元线性回归

3．4 本章小结

第四章 数据挖掘在考研成绩预测中的应用

4．1 Weka的简介

4．2 基于Weka的考研预测实验内容及准备

4．2．1 实验基本内容

4．2．2 数据的准备及预处理

4．2．3 格式转换方法

4．2．4 建立数据训练集、校验集和测试

4．3 基于Weka的考研预测之贝叶斯分类

4．3．1 数据预处理

4．3．2 实验过程及结果截图

4．4 基于Weka的考研预测之LIBSVM分类

4．4．1 数据预处理

4．4．2 实验过程及结果截图

4．5 基于Weka的考研预测之线性回归分类

4．5．1 数据预处理

4．5．2 实验过程及结果截图

4．6 三类分类方法的校验结果比较

4．7 训练最优模型

4．7．1 实验结果

4．7．2 三种算法在进行测试的性能比较分析

4．8．本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢