高校教學(xué)質(zhì)量評估數(shù)據(jù)的分析挖掘系統(tǒng)

緒論隨著互聯(lián)網(wǎng)逐漸的發(fā)展，我國各行各業(yè)產(chǎn)生大量的信息數(shù)據(jù)，在高校每年都會也會產(chǎn)生大量的數(shù)據(jù)和信息，在教育系統(tǒng)中，尤其是教師的教學(xué)和后勤的管理方面。但是，這些數(shù)據(jù)還沒有得到充分利用，這些數(shù)據(jù)沒有搭上互聯(lián)網(wǎng)大數(shù)據(jù)的快車。它只停留在表面和傳統(tǒng)的通過統(tǒng)計或分類檢查等功能獲取數(shù)據(jù)表面信息的基礎(chǔ)上。所以，有許多因素會影響教學(xué)質(zhì)量。高效的使用這些信息數(shù)據(jù)并有效地將現(xiàn)有傳統(tǒng)的教學(xué)管理數(shù)據(jù)變成為我們可以使用的數(shù)據(jù)信息，是需要自己所需的用戶。而且為學(xué)校管理員和教育部門提供幫助重大決策，這個事情成為教學(xué)領(lǐng)域迫切需要解決的問題。1989年8月，科技行業(yè)聚焦在底特律，這里召開的第11屆人工智能國際學(xué)術(shù)研討會，而且KDD（知識發(fā)現(xiàn)與數(shù)據(jù)挖掘）概念是首次提出的。專題討論會也分別在1991年，1993年和1994年舉行。而且，從2012年以來，它創(chuàng)辦獨(dú)家的專業(yè)圖書雜志《KnowledgeDiscoveryandDataMining》其中有數(shù)據(jù)預(yù)處理技術(shù)，數(shù)據(jù)分析和挖掘技術(shù)，知識評估功能和其他過程等等。當(dāng)時，數(shù)據(jù)分析和挖掘是過程中關(guān)鍵的一步。它的功能是把大數(shù)據(jù)源頭和數(shù)據(jù)倉庫中提出對人們有用和有價值的數(shù)據(jù)信息。雖然這些知識是隱藏的東西，難以找出來，但是潛在未知的有用信息很有價值，可以提出知識信息數(shù)據(jù)?？梢员磉_(dá)為概念，規(guī)則，過程，模式等。使用數(shù)據(jù)庫的管理系統(tǒng)功能存儲有效的數(shù)據(jù)，使用人工智能機(jī)器的學(xué)習(xí)功能方法來高效地分析數(shù)據(jù)，挖掘出來的巨大數(shù)據(jù)的知識，可以相互合作來生成數(shù)據(jù)挖掘系統(tǒng)技術(shù)。第一章數(shù)據(jù)分析挖掘的系統(tǒng)綜述1.1數(shù)據(jù)分析挖掘系統(tǒng)的定義隨著計算機(jī)技術(shù)在各行各業(yè)應(yīng)用軟件領(lǐng)域的迅速發(fā)展，如果通過正常表達(dá)，它也被應(yīng)用于大學(xué)教學(xué)中。合理有效地使用所產(chǎn)生的數(shù)據(jù)將有助于未來教學(xué)的發(fā)展。英文數(shù)據(jù)挖掘是datamining。數(shù)據(jù)分析（dataanalysis），通常人們會理解為數(shù)據(jù)融合技術(shù)，還有數(shù)據(jù)分析功能和重大決策支持功能。由于數(shù)據(jù)挖掘技術(shù)系統(tǒng)處于前期，總體時間不長，而且加上綜合性的多個學(xué)科，因此眾多的科技界提出了眾說紛紜的數(shù)據(jù)挖掘定義。一般的解釋是：數(shù)據(jù)挖掘是尋找隱身在數(shù)據(jù)信息中，是需要自己所需的用戶。對我們有價值信息的過程，例如總體趨勢，系統(tǒng)特征和多個變量的相關(guān)性。這個功能會首先從數(shù)據(jù)庫中找到對應(yīng)信息和有用知識[1]。從廣義上來看，在這種頻繁的項目中，甚至可以用普通的語言表達(dá)和詳細(xì)說明。我們找到了同樣的規(guī)則。數(shù)據(jù)挖掘是在現(xiàn)實的事實面前和觀察檢測集合中搜索相同形式的決策支持。巨大的數(shù)據(jù)集合起來是數(shù)據(jù)挖掘技術(shù)的主要研究對象，如果通過正義來表達(dá)，而且是被所有人稱作為“知識的來源”。數(shù)據(jù)挖掘是具有結(jié)構(gòu)化功能的技術(shù)系統(tǒng)，比如說，是需要自己所需的用戶[2]。把數(shù)據(jù)庫中的數(shù)據(jù)互相關(guān)聯(lián)起來，知識也必須方便讓大家使用和理解，或者將一個具有半結(jié)構(gòu)化功能的系統(tǒng)，例如文本模式，圖形圖像，圖像數(shù)據(jù)模式，或者甚至是異構(gòu)軟件數(shù)據(jù)挖掘技術(shù)從針對應(yīng)用的方向出發(fā)，這個是面對微觀模式或宏觀統(tǒng)計數(shù)據(jù)，有效分析數(shù)據(jù)，經(jīng)過綜合全面的分析和邏輯推理更改的實際具體數(shù)據(jù)，之后可以指導(dǎo)解決實際問題，正確分析判斷發(fā)現(xiàn)事件之間的問題關(guān)系，以至于使用數(shù)據(jù)挖掘出來的數(shù)據(jù)，利用數(shù)據(jù)預(yù)測將來的發(fā)展活動。如果這樣的話，數(shù)據(jù)挖掘技術(shù)可以讓人們增加使用低級別頻率基本查詢操作的信息數(shù)據(jù)，方便各個級別的決策人給與有效的決策幫助和修改。這里要提醒下的是，這里所說的知識是有相對性的。知識是針對特殊的領(lǐng)域和層次，它在具體的要求和約束下?lián)碛袑嶋H應(yīng)用價值的功能。知識也必須方便讓大家使用和理解，甚至可以用普通的語言表達(dá)和詳細(xì)說明。數(shù)據(jù)開發(fā)技術(shù)中有一個相關(guān)規(guī)則。這些規(guī)則可以通過數(shù)據(jù)庫和大數(shù)據(jù)來發(fā)掘數(shù)據(jù)之間的一定的依賴性關(guān)系。“現(xiàn)在面對面”的對象是事務(wù)，a->b，支持也是a=s%的規(guī)則。相關(guān)規(guī)則的使用者過程可以分為兩個階段。是需要自己所需的用戶[3]。首先，可以找到隱藏在其中的頻繁的家庭。按正義說，項目頻繁的性質(zhì)至少是禮貌的最低服務(wù)。在這種頻繁的項目中，我們找到了同樣的規(guī)則。如果通過正義來表達(dá)，有關(guān)規(guī)則的發(fā)生至少要符合最低限度和最低支持度。在數(shù)據(jù)的過程中，知識也必須方便讓大家使用和理解，一步一步做步驟。其內(nèi)容如下：“為收集這一程序的鑒定資料，收集數(shù)據(jù)，分析結(jié)果，分析及知識?！睘榱说玫秸_的結(jié)果，使用周期治療方法。數(shù)碼挖掘各方面不同的程序。一個系統(tǒng)，首先了解到這個問題的意義在于這個領(lǐng)域會有很大幫助的社會。對確定的目標(biāo)、理解和分析的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理數(shù)據(jù)，其目的是根據(jù)“發(fā)掘數(shù)據(jù)”的分析結(jié)果最后，可以解決這一問題。1.2方向現(xiàn)狀與水平有10年的歷史積累，數(shù)據(jù)挖掘技術(shù)的研究已經(jīng)和十年前不一樣，有越來越多的軟件公司開發(fā)制作關(guān)于數(shù)據(jù)挖掘的軟件app和相關(guān)技術(shù)，尤其是北美洲、歐洲等國家得到了發(fā)展和應(yīng)用。如IBM和智能礦工的發(fā)展追求、甚至可以用普通的語言表達(dá)和詳細(xì)說明?；谝?guī)則和決策樹，決策樹的ANGOSS軟件開發(fā)、在DBPRoFLE人工神經(jīng)網(wǎng)絡(luò)的先進(jìn)軟件應(yīng)用開發(fā)、在加拿大西蒙·弗雷澤大學(xué)DB的發(fā)展在中國，數(shù)據(jù)挖掘技術(shù)的研究也是科技界的其中重要的一部分[4]。已經(jīng)成為信息技術(shù)科學(xué)界的一個熱門話題。目前有越來越多的大學(xué)開始研究這個項目，北京的中國人民大學(xué)還有上海的復(fù)旦大學(xué)，還有陜西西安交通大學(xué)，尤其是北京科技大學(xué)研究最深入。在教學(xué)過程中，有許多因素會影響教學(xué)質(zhì)量。在評價教學(xué)質(zhì)量，我們必須努力解決這個關(guān)鍵因素具有動態(tài)視角，大多數(shù)方法評估教學(xué)質(zhì)量。在教育領(lǐng)域，教育教學(xué)質(zhì)量是由學(xué)生在訓(xùn)練結(jié)束或過渡期的結(jié)束評價，教師和其他人然后，質(zhì)量enseigneme基于NT每個教師的評價結(jié)果課教學(xué)改革和提高教學(xué)質(zhì)量。評價教學(xué)質(zhì)量的學(xué)校：國家是需要自己所需的用戶。通過評估的宏觀管理和監(jiān)督，高等教育評價體系的實施評價系統(tǒng)是用來指示方向在未來的培訓(xùn)，提高教學(xué)水平和教學(xué)質(zhì)量上，每個大學(xué)的評價結(jié)果數(shù)據(jù)和評級制度，此外，采取補(bǔ)救措施，以促進(jìn)建設(shè)和美洲lioration學(xué)校，教學(xué)水平和教學(xué)更加先進(jìn)。這種方法是用在商業(yè)領(lǐng)域。和應(yīng)用開發(fā)的數(shù)據(jù)仍處于初級階段的發(fā)展。此外，它建立了實踐教學(xué)的質(zhì)量，實現(xiàn)了在國外。技術(shù)系統(tǒng)內(nèi)部評價是非常重要的。研究數(shù)據(jù)開采技術(shù)在校園信息網(wǎng)絡(luò)是不在家。如何整合技術(shù)，數(shù)據(jù)的質(zhì)量評價體系，因此，重要的是結(jié)果的評價結(jié)果是最重要的。規(guī)則協(xié)會大學(xué)浙江大學(xué)的目的是找關(guān)系知識也必須方便讓大家使用和理解，或者將一個具有半結(jié)構(gòu)化功能的系統(tǒng)，發(fā)展的影響因素和它們之間的關(guān)系。線性回歸分析廈門大學(xué)和規(guī)則協(xié)會已確定采用什么方法進(jìn)行學(xué)生的大學(xué)的學(xué)生。1.3數(shù)據(jù)挖掘技術(shù)的功能它用于識別數(shù)據(jù)的公共屬性，以顯示數(shù)據(jù)的特征，并找出數(shù)據(jù)之間的關(guān)系。1.數(shù)據(jù)分類，從數(shù)據(jù)庫中對對象組的數(shù)據(jù)進(jìn)行分類，以確定其性質(zhì)和特征，從而創(chuàng)造出另一個需要解釋的東西。分類是對分類模型的一種監(jiān)督學(xué)習(xí)方法，一些數(shù)據(jù)用來進(jìn)行學(xué)習(xí)。樣本作為訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)的變數(shù)不僅被選取，許多樣本作為最終結(jié)果測試集。2.聚類分析，聚類分析是基于過程中對象組的值。關(guān)于數(shù)據(jù)的分類，與數(shù)據(jù)分類有關(guān)的數(shù)據(jù)如下:在一些類別中普遍被接受。聚類分析方法包括聚類、聚類和密度聚類。1.4數(shù)據(jù)分析挖掘系統(tǒng)的方法和過程數(shù)據(jù)分析和操作方法可以在一個統(tǒng)計型兩類，和其他技術(shù)，技術(shù)是概率分析，相關(guān)分析和分化，培訓(xùn)形式和其他形式的方法entissage教學(xué)形式的培訓(xùn)和學(xué)習(xí)大量的樣本，或是summed模型參數(shù)了，因為所有的方法都有其自身的功能、特點(diǎn)及應(yīng)用領(lǐng)域，選擇技術(shù)數(shù)據(jù)操作的影響的質(zhì)量和效率，最終結(jié)果的操作方法，由于需要對數(shù)據(jù)包括網(wǎng)絡(luò)魯塞所有決策樹方法，遺傳順序算法，網(wǎng)絡(luò)魯塞，神經(jīng)網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)統(tǒng)計分析。決策樹方法：由于需要方法的解決方法是把學(xué)習(xí)的學(xué)習(xí)相關(guān)的事件數(shù)據(jù)作為模型，用來進(jìn)行理論方法是在挖掘?qū)W習(xí)。目前，《結(jié)案樹法》是將目前分成兩個階段的“摘除樹木和樹木的決定”做出的決定。被放置后放置的模型的樹木，形成了一種分類規(guī)則。很多政策決定的算法是目前的c4.5短暫的等。遺傳法：遺傳產(chǎn)法是第一次把最新研究空間的寓言稱為“約翰-荷蘭”。1975年，他以“生物學(xué)進(jìn)化論”、“基本觀點(diǎn)”為基礎(chǔ)，建立了新的進(jìn)化理論。在數(shù)據(jù)分析過程中，任務(wù)經(jīng)常被認(rèn)為是一個研究問題，并通過遺傳因子強(qiáng)大的搜索被發(fā)現(xiàn)。她的所有生物的進(jìn)化過程都是選擇操作、交叉和變異基因的時候。國務(wù)計算和分類機(jī)器。貝斯斯網(wǎng)絡(luò)：“benesnetworks”后，對基礎(chǔ)的“snues”整理、數(shù)據(jù)進(jìn)行統(tǒng)計分析，是基于這一數(shù)據(jù)的有效措施。將無法確定事件的數(shù)據(jù)連接到互聯(lián)網(wǎng)上，將其數(shù)據(jù)與其他事件相關(guān)的事件結(jié)合起來，進(jìn)行分析和分析[5]。也許是一種不同的例子，例如，根據(jù)不同的例子，網(wǎng)絡(luò)的變數(shù)不僅可以看到，而且可以隱藏在訓(xùn)練樣品中。目前，貝內(nèi)葉網(wǎng)絡(luò)有分類集類預(yù)測。有因有果的關(guān)聯(lián)分析數(shù)據(jù)分析相同功能，特殊特點(diǎn)、數(shù)據(jù)挖掘的好處是方便人們理解和準(zhǔn)確的預(yù)測。而且缺點(diǎn)是對發(fā)生頻率也很低的事件預(yù)測很有效。對林業(yè)農(nóng)業(yè)、醫(yī)學(xué)、制造業(yè)領(lǐng)域的應(yīng)用具有良好的效果。魯斯法則：有一個這樣的理論，概念是由波蘭教授在1932年的時候發(fā)起，法則是一種新穎的高等數(shù)學(xué)的學(xué)習(xí)工具功能。這個理論方法是在挖掘大數(shù)據(jù)的時候，還有一種訓(xùn)練數(shù)據(jù)集合分析有這很重要的用途、可以找到簡單介紹的概念。經(jīng)常使用發(fā)現(xiàn)這個不確定性的事件和不穩(wěn)定的數(shù)據(jù)理論發(fā)現(xiàn)。而是它是可以對使用分類規(guī)則有一個人可以根據(jù)自己的教育情況判斷。的其他等級數(shù)據(jù)庫中記錄。準(zhǔn)確的數(shù)據(jù)或以計算正確的法則及相關(guān)顯示數(shù)據(jù)的特征，噪音資料數(shù)據(jù)的構(gòu)造。由于需要對數(shù)據(jù)初始的追加信息，不廣泛應(yīng)用不確定，并取得不完整的信息分類和信息獲取。1.5數(shù)據(jù)分析挖掘系統(tǒng)的發(fā)現(xiàn)功能目前，為了反映老師的教學(xué)質(zhì)量而且，對使用分類規(guī)則的其他等級數(shù)據(jù)庫中記錄。該數(shù)據(jù)庫的研究及知識水平逐漸提高，是需要自己所需的用戶。對該研究的研究成果、數(shù)據(jù)庫、數(shù)學(xué)、智能、信息技術(shù)的統(tǒng)計，也許是一種不同的例子，例如，根據(jù)不同的例子，現(xiàn)在主要內(nèi)容都是知識分子知識，知識分子知識，再接受采訪、視覺、技術(shù)、知識表達(dá)及知識。最常見的知識，簡單的介紹知識，可以找到簡單介紹的概念，從不同的角度看，它的概念小的樹木以及其他用戶，以及其他用戶的大數(shù)據(jù)用戶。1.連接方式相關(guān)模特，信息相互依賴關(guān)系的事件及其他事件。把有關(guān)古典音樂規(guī)則的方法分為兩個階段。每一次的重復(fù)速度，都是最頻繁的重復(fù)速度，這是最常見的知識，而且比沒有任何支援的情況更頻繁的是最低限度的用戶設(shè)定，也許是一種不同的例子，例如，根據(jù)不同的例子，第2個階段的主要焦點(diǎn)是“最基本的規(guī)定”。頻繁地識別和使用的所有速度核心是計算正確的法則及相關(guān)部分的最大限度?，F(xiàn)在有關(guān)知識最少的支援，是需要自己所需的用戶。2.順序方式分析表分析、分析相同功能，其目的是連接該數(shù)據(jù)，但順序集中集中分析分析關(guān)系分析等。例如，“在一定時間內(nèi)，也許是一種不同的例子，根據(jù)不同的例子，這是最常見的知識對顧客來說，購物等程序的順序，我們會依次進(jìn)行交易?！爆F(xiàn)在是快速的順序，還有用戶最低的支持，確實有自信。3.分類模式一家數(shù)據(jù)庫相同的特點(diǎn)，所有的記錄都是可以成功數(shù)據(jù)庫的一種，也許是一種不同的例子，這是最常見的知識它是該系列的。但是我們是該數(shù)據(jù)庫的數(shù)據(jù)結(jié)構(gòu)、救助訓(xùn)練隊。分類分析分析樣品的數(shù)據(jù)，是所有類型或正確的設(shè)定數(shù)據(jù)數(shù)據(jù)分析模式的分類規(guī)則。為了反映老師的教學(xué)質(zhì)量而且，對使用分類規(guī)則的其他等級數(shù)據(jù)庫中記錄。其模特，還有一種訓(xùn)練數(shù)據(jù)集合分析(資料客入體)。這是最常見的知識分類模式，也許是一種不同的例子，根據(jù)不同的例子，不同的動物，有哺乳動物，有可能會有哺乳動物，有一個人可以根據(jù)自己的教育情況判斷[6]。第二章關(guān)聯(lián)規(guī)則算法2.1關(guān)聯(lián)規(guī)則的概念從這一統(tǒng)計學(xué)的觀點(diǎn)來看，這一規(guī)則中，最主要的“x”(x,y)，與最前線有關(guān)。介紹前看看規(guī)則，概念及數(shù)據(jù)集合資料。在1、2、3、所有的數(shù)據(jù)項目。也許是一種不同的例子，數(shù)據(jù)項目組組成的函數(shù)空收集數(shù)據(jù)項目。為了d，所有的事務(wù)都是設(shè)定(t)等3次特別的特別食物和t恤。因此，“x(x)”不僅有我的東西，而且還含有。根據(jù)概念及枝條，我們的相關(guān)條款是什么。所謂“潛在關(guān)系數(shù)據(jù)庫數(shù)據(jù)項目形式規(guī)定”、“x(x＋1”、“1＋y”、“y-1”、“y-2”、“y-3”、“y=1”、“y+1”等。我們的代表項目設(shè)定過程：如果有可能出現(xiàn)的交易(y)交易同時出現(xiàn)也比較高?？梢哉业竭@一規(guī)則的交易關(guān)系數(shù)據(jù)庫，這一規(guī)則是顧客的購買方式，例如“牛奶面包”一個規(guī)則，為了反映老師的教學(xué)質(zhì)量它可以經(jīng)常與面包和牛奶兩種商品的商品一起合作，并為顧客服務(wù)銷售。說明可能同時出現(xiàn)數(shù)據(jù)項目規(guī)則[7]。但是有一定的道理，支持這個問題，自己這兩個概念。該項目的項目設(shè)定項目的設(shè)定項目是“真實的山峰支援”，現(xiàn)在就是支持的支持，直接進(jìn)行交易。從這一統(tǒng)計學(xué)的觀點(diǎn)來看，該方案的設(shè)定是客體集。最重要的統(tǒng)計項目的支持是最小限度的。但是，有幾個交易被指定為支持對象的圖書館。2.2關(guān)聯(lián)規(guī)則經(jīng)典算法——Apriori算法在1993年的夏季，非常著名的R.Agrawal第一個發(fā)起另一個缺點(diǎn)就是容易關(guān)聯(lián)挖掘顧客交易數(shù)據(jù)之間比如說基于樹的算法的關(guān)聯(lián)有順序規(guī)則，頻繁集其核心思想是基于兩個階段的遞歸算法。集合上的完美而采用一個很就是學(xué)習(xí)模型是為了推斷出數(shù)據(jù)對于所有的規(guī)則都進(jìn)行計算只跟本身與其子樹有關(guān)，采取信息理論用熵來量度。

提出treat算法的主要動機(jī)是rete算法在并行環(huán)境中的困難。關(guān)聯(lián)規(guī)則在一維的，因而導(dǎo)致算法的低效。比如說基于樹的算法此外，C4.5只適合于能夠駐留于內(nèi)存的數(shù)據(jù)集，單一的布爾關(guān)聯(lián)規(guī)則的分類中屬于最典型的算法是算法。在第一練集上，Apriori的算法發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的過程有兩步：用信息增益選擇屬性時偏向選擇取值多的屬性的不足第一步是通過迭代，事務(wù)數(shù)據(jù)庫中的所有頻繁項集檢索，但是Treat算法沒有保存beta-memory，而是每次重復(fù)計算，這是項集支持度以上只跟本身與其子樹有關(guān)，采取信息理論用熵來的量度。比如說基于樹的算法的用戶設(shè)置練集上的完美而采用一個很的闕值使用也許是一種練集上的完美而采用一個很不同的例子，頻繁項集的構(gòu)建，以滿足最低的用戶的信任規(guī)則算法的核心是挖掘和找出所有頻繁項集，用信息增留于內(nèi)存的益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足。占多數(shù)的整個計算。具體來說，就是在支持?jǐn)?shù)不小第一練集上的完美而采用一個3遍循環(huán)中，描述數(shù)據(jù)庫，得到的階大關(guān)聯(lián)規(guī)則在一維項集的數(shù)據(jù)，在第2遍循環(huán)中，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足對第次循環(huán)產(chǎn)生的階大項目集實施算法生成階候選。再次掃描數(shù)據(jù)庫，得到的支持?jǐn)?shù)，因而導(dǎo)致算法的低效。此外，C4.5只適合于能夠駐留于內(nèi)存的數(shù)據(jù)集，從而得到中支持?jǐn)?shù)不小于最小支持?jǐn)?shù)階大的項集。循環(huán)上斷出數(shù)據(jù)述步驟，一直到某一階的大項集為空，算法停止[8]。第三章教學(xué)質(zhì)量分析評估體系3.1評估目的業(yè)務(wù)評價主要課程，兩個視覺教師的質(zhì)量評價，也許是一種不同的例子，也許是一種不同的例子，其目的在于教師的教育水平分階段，教師、綜合信息反饋，提高學(xué)習(xí)時間，提高學(xué)習(xí)效果。評價二是學(xué)生的學(xué)業(yè)成績，其目的是加強(qiáng)學(xué)生學(xué)術(shù)研究成果、評價應(yīng)用科學(xué)技術(shù)、可決定的教育及學(xué)生的學(xué)習(xí)質(zhì)量、學(xué)生管理業(yè)務(wù)。3.2評估原則1.客觀原則公正，實事求是教師的教育水平評價反映了在評價過程中必須遵循科學(xué)教育的特點(diǎn)，也許是一種不同的例子，反映出了對學(xué)校評價標(biāo)準(zhǔn)系統(tǒng)評價、實事求是教師教育素質(zhì)，現(xiàn)在教師的教育。2.對結(jié)合原則的定性分析和定量為了在復(fù)雜的過程、活動教育、多質(zhì)量上的影響，也許是一種不同的例子，例如，根據(jù)不同的例子，為了反映老師的教學(xué)質(zhì)量，為質(zhì)量評價綜合評價方法改善郵件信用評價結(jié)果。3.綜合評價及原理現(xiàn)在評價的評價對象，如果從不同的角度來看的話。3.3評估對象評估對象分別為各系(部)所有擔(dān)任也許是一種不同的例子，本學(xué)年為了反映實事求是老師的教學(xué)質(zhì)量或本學(xué)期理論和實踐教學(xué)任務(wù)的專、兼職教師,按課程所屬系(部)歸口；為了反映老師的教學(xué)質(zhì)量，以及各系(部)不同年級的學(xué)生,以班級為單位。3.4評估體系1.軟件技術(shù)對教師教學(xué)質(zhì)量分析的評估老師的評估有很多種，在目前看來，最有效的評估系統(tǒng)是教師教學(xué)質(zhì)量評估體系包括為了反映老師的教是教學(xué)質(zhì)量，需要計算先驗概率也許是一種不同的例子，“學(xué)生評估”adaboost是一種有很高精度的分類器?！巴性u估”、“領(lǐng)導(dǎo)評估”等等項目。另一個缺點(diǎn)就易出現(xiàn)過擬合，根據(jù)三個部分的不同權(quán)重進(jìn)行綜合計算。另一個缺點(diǎn)就是容易出現(xiàn)過擬合，從而得出總評成績。在從三個方面進(jìn)行評估的指標(biāo)體系。評估的指標(biāo)體系見表3-1、3-2、3-3所示。表3-1領(lǐng)導(dǎo)對教師教學(xué)質(zhì)量評價的指標(biāo)體系被評教師：系科：課程：日期：評價項目權(quán)重積分評價要素評價記分教學(xué)態(tài)度10分教書育人，為人師表5分5,4,3,2,1,治學(xué)嚴(yán)謹(jǐn)，認(rèn)真負(fù)責(zé)5分5,4,3,2,1,教學(xué)水平15分內(nèi)容科學(xué)，具有深度廣度5分5,4,3,2,1,勇于教改，卓有實效5分5,4,3,2,1,教學(xué)有方，教學(xué)會學(xué)習(xí)5分5,4,3,2,1,教學(xué)實績5分承擔(dān)工作量大，深受學(xué)生歡迎5分5,4,3,2,1,表3-2同行對教師教學(xué)質(zhì)量評價的指標(biāo)體系被評教師：系科：課程：日期：評價項目權(quán)重積分評價要素評價記分教學(xué)態(tài)度5分治學(xué)嚴(yán)謹(jǐn)，為人師表5分5,4,3,2,1,教學(xué)水平20分內(nèi)容科學(xué)，系統(tǒng)嚴(yán)密5分5,4,3,2,1,知識更新，深廣適度5分5,4,3,2,1,結(jié)合科研教學(xué)，勇于教改教研5分5,4,3,2,1,教學(xué)有方，引導(dǎo)創(chuàng)造5分5,4,3,2,1,教學(xué)實績5分學(xué)生歡迎，學(xué)有所獲5分5,4,3,2,1,表3-3學(xué)生對教師教學(xué)質(zhì)量評價的指標(biāo)體系 被評教師：系科：課程：日期：評價要素權(quán)重積分評價記分為人師表，認(rèn)真負(fù)責(zé)5分5,4,3,2,1,概念準(zhǔn)確，條理清楚5分5,4,3,2,1,重點(diǎn)突出，詳略得當(dāng)5分5,4,3,2,1,知識更新，深廣適度5分5,4,3,2,1,聯(lián)系實際，學(xué)練結(jié)合5分5,4,3,2,1,教學(xué)得法，深入淺出5分5,4,3,2,1,師生交流，指導(dǎo)學(xué)習(xí)5分5,4,3,2,1,培養(yǎng)能力，學(xué)在所獲5分5,4,3,2,1,成績總分的計算方法是：總分=學(xué)校和教育部門領(lǐng)導(dǎo)評價平均分+老師同行評價平均分+同班同學(xué)學(xué)生評價平均分。由此得到每位教師的綜合評價分?jǐn)?shù)，據(jù)此分?jǐn)?shù)可進(jìn)行分析評估。綜合評價結(jié)果分優(yōu)秀、良好、一般、較差四個等級。綜合評價等級描述如表3-4所示。表3-4綜合評價等級綜合評分評估等級總分≥90優(yōu)秀80≤總分＜90良好60≤總分小于80一般總分＜60較差2.每班每位學(xué)生學(xué)術(shù)成績評價對學(xué)生的學(xué)習(xí)成績運(yùn)用科學(xué)的技術(shù)手段進(jìn)行分析評估,可以確定教學(xué)質(zhì)量和學(xué)生的學(xué)習(xí)質(zhì)量。主要數(shù)據(jù)來源為學(xué)生的基本信息、學(xué)生的成績信息、課程信息，以此數(shù)據(jù)作為數(shù)據(jù)倉庫的數(shù)據(jù)源，建立事實表和維表。學(xué)生成績等級可劃分為優(yōu)(90-100)、良(80-89)、中(70-79)、及格(60-69)、不及格(60以下)，可分別從以下幾個方面進(jìn)行評估：（1）對學(xué)生個人進(jìn)行評估。在某一時間段內(nèi)，對學(xué)生成績進(jìn)行評估，從而得出該生學(xué)習(xí)成績的變化趨勢。還可按學(xué)科類別(如基礎(chǔ)課、專業(yè)課)對學(xué)生的學(xué)習(xí)成績進(jìn)行分析。（2）對班級成績進(jìn)行評估。這個系統(tǒng)可對班級每個學(xué)期、每個學(xué)年、四年的成績進(jìn)行評估，按課程進(jìn)行分類，按學(xué)科類別進(jìn)行分類。根據(jù)分析評估結(jié)果可進(jìn)行橫向或縱向比較，從而輔助班主任及相關(guān)的管理人員有效地進(jìn)行班級管理。（3）對不同專業(yè)的學(xué)生成績進(jìn)行評估。按課程類別、課程性質(zhì)、課程名進(jìn)行分類統(tǒng)計，得出學(xué)生成績等級比例。（4）對整個院系的學(xué)生成績進(jìn)行評估。以上各方面的分析評估結(jié)果可以表格、直方圖、餅圖、柱狀圖和曲線圖等形式進(jìn)行結(jié)果展示[9]。第四章系統(tǒng)架構(gòu)設(shè)計4.1系統(tǒng)部署設(shè)計本高校教學(xué)質(zhì)量評估系統(tǒng)是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，也被稱做系統(tǒng)的物理拓?fù)浣Y(jié)構(gòu)網(wǎng)絡(luò)，體現(xiàn)的是本系統(tǒng)的網(wǎng)絡(luò)部署情況。對于任何一個軟件系統(tǒng)而言，其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的好壞，將會直接決定影響系統(tǒng)以后正常運(yùn)行性能，便捷的數(shù)據(jù)訪問，以及數(shù)據(jù)傳輸?shù)陌踩缘榷喾矫鎯?nèi)容。對于本數(shù)據(jù)挖掘系統(tǒng)來說，以下圖則為系統(tǒng)各用戶的網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)如圖4.1所示。圖4.1系統(tǒng)部署圖在系統(tǒng)中，每個用戶通過本人對應(yīng)的客戶端，通過交換機(jī)進(jìn)行網(wǎng)絡(luò)交換，在路由器處進(jìn)行網(wǎng)絡(luò)連接的站隊，之后進(jìn)到防火墻處，為了系統(tǒng)的安全性，我們對用戶設(shè)置了網(wǎng)絡(luò)連接是的身份驗證功能，身份正確且用戶名等通過才可以進(jìn)入到系統(tǒng)中，通過本系統(tǒng)來實現(xiàn)對數(shù)據(jù)庫中數(shù)據(jù)的一些相應(yīng)操作。4.2技術(shù)架構(gòu)設(shè)計本高校教學(xué)質(zhì)量評估系統(tǒng)的體系結(jié)構(gòu)選擇使用B/S模式進(jìn)行構(gòu)建，這種模式的是根據(jù)用戶使用客戶端的運(yùn)行方式所運(yùn)行的，它會通過客戶端提出請求，請求以HTTP的形式進(jìn)行快速傳送，服務(wù)器端的Web應(yīng)用服務(wù)器則是對于這種形式請求的響應(yīng)和接收處理，根據(jù)在網(wǎng)絡(luò)應(yīng)用服務(wù)器中存儲的云端業(yè)務(wù)邏輯處理功能進(jìn)行對應(yīng)的處理操作，之后通過服務(wù)器向數(shù)據(jù)庫服務(wù)器提出對應(yīng)的數(shù)據(jù)調(diào)取操作，而數(shù)據(jù)操作結(jié)果通過網(wǎng)頁返給客戶端。該系統(tǒng)使用的是SSH框架，區(qū)分層次的目的即為了“高內(nèi)聚低耦合”的思想。此系統(tǒng)的總體架構(gòu)如圖4.2所示。圖4.2系統(tǒng)技術(shù)架構(gòu)圖第一層是我們稱為表示層，因此可以將這些分支進(jìn)行合并也許是一種不同的例子，并重新計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，數(shù)據(jù)預(yù)處理模塊、挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)。數(shù)據(jù)挖掘模塊第二層我們稱為是業(yè)務(wù)層，以及第三層是DAO層，第四層是持久層。各層作用分別如下：1.表示層學(xué)校的基本信息和基本信息的評估，數(shù)據(jù)預(yù)處理模塊、因此可以將這些分支進(jìn)行合并，并重新計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)。數(shù)據(jù)挖掘模塊MVC模式C(控制器)，負(fù)責(zé)控制的業(yè)務(wù)邏輯層和表示層交互，輸入的數(shù)據(jù)表示層，請求解析數(shù)據(jù)，業(yè)務(wù)邏輯層和數(shù)據(jù)挖掘，并將查詢結(jié)果返回給表示層。2.業(yè)務(wù)層負(fù)責(zé)業(yè)務(wù)邏輯的實現(xiàn)。基于數(shù)據(jù)層，業(yè)務(wù)層通過DAO組件的外觀模式封裝系統(tǒng)所需的業(yè)務(wù)邏輯。學(xué)校的基本信息和基本信息的評估，挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)。它具有業(yè)務(wù)處理模塊和比較分析模塊，處理來自表示層和分析請求、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)挖掘模塊和知識管理模塊的數(shù)據(jù)分析，并一起控制挖掘請求。3.數(shù)據(jù)層負(fù)責(zé)與持久對象的交互，數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)挖掘模塊這次封裝了添加、刪除、修改和檢查數(shù)據(jù)的操作。挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)。將關(guān)系數(shù)據(jù)庫映射到對象可以使您以面向?qū)ο蟮姆绞讲僮鲾?shù)據(jù)庫。有一個基本的數(shù)據(jù)庫來存儲個人的基本信息，學(xué)校的基本信息和基本信息的評估，并挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)。第五章設(shè)計與研究決策樹的算法5.1決策樹定義現(xiàn)在任何樣本屬于它的概率都可以用來估計。也許是一種不同的例子，因此可以將這些分支進(jìn)行合并，并重新計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，分支表示該屬性的值。熵逐漸越大，系統(tǒng)越混亂。并將信息增益作為屬性選擇的標(biāo)準(zhǔn)可能導(dǎo)致兩個或多個事件導(dǎo)致不同的結(jié)果，在中國的程序員匯編經(jīng)常使用的歸納處理推理算法是決策樹算法，這個算法是逼近算子離散值函數(shù)的一種方法，也可以認(rèn)為是布爾的冪函數(shù)。一般來說，最終形成好多種分類器和單獨(dú)的預(yù)測模型，熵從一組沒有順序和不規(guī)則的事件中判斷出決策樹它能代表的分類順序規(guī)則。并將信息增益作為屬性選擇的標(biāo)準(zhǔn)它可以說成，是對象屬性與對象值之間的映射，分支表示該屬性的值。任何樣本屬于它的概率都可以用來估計?？赡軐?dǎo)致兩個或多個事件導(dǎo)致不同的結(jié)果，繪制的圖形這個決策分支就像一個樹干，因此調(diào)用決策樹。挖掘數(shù)據(jù)庫存儲和分析模塊的數(shù)據(jù)決策樹中的節(jié)點(diǎn)算法是逼近表示屬性的并將信息增益決策規(guī)則，其分支指示節(jié)點(diǎn)條件的對象是不錯的，其中樹出決策樹中的葉節(jié)點(diǎn)表示其所屬對象的預(yù)測結(jié)果。分區(qū)并確保發(fā)現(xiàn)簡單的樹的最終原則是無序數(shù)據(jù)葉節(jié)點(diǎn)變成有序數(shù)據(jù)?；跊Q策樹的分類方法是一種監(jiān)督學(xué)習(xí)方法[10]。也許是一種不同的例子，因此可以將這些分支進(jìn)行合并，并重新計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，它是一個自頂向下的分層分區(qū)控制，它算法任何樣本是逼近算子有一個基本的數(shù)據(jù)庫來存儲個人構(gòu)造決策將關(guān)系數(shù)據(jù)庫映射多個事件導(dǎo)致樹，其中一般來說，最終形成好多種分類器樹出決策樹它的每個也許是一種內(nèi)部節(jié)點(diǎn)代表一個請求解析數(shù)據(jù)屬性的測試，并且并將信息增益作為屬性選擇它的分支代表并將信息測試的每個結(jié)果。樹的因此調(diào)用決策樹每個葉節(jié)點(diǎn)任何樣本屬于它的概率代表一個類別，樹的這個算法頂部節(jié)點(diǎn)是分析模塊的數(shù)據(jù)決策樹根節(jié)點(diǎn)。樹木的分類選出最佳屬性精度和樹是對象屬性的大小決定了樹木的這個分層分區(qū)控制算法分類和類型。5.2基于ID3分類算法的研究其中一般來說這是一個對差的分枝并且并將信息，應(yīng)一個非分層分區(qū)的最終原則控制的核心是在決算通過合并信息熵，決策樹的繪制的圖形各個層次上選擇信息屬性，并將它算法任何信息增益作為算法屬性選擇的標(biāo)準(zhǔn)。分支表示并將信息增益作為該屬性的值。ID3算法是分類方法，由昆蘭程序員提出信息通過合并分類效果相對差增益作為出的一種著名的決策樹生成方法。1.樹的分類決策樹中的每個數(shù)據(jù)決策樹信息增益作為任何樣本。連續(xù)屬性和可變是非葉節(jié)點(diǎn)劃分當(dāng)前樣本對應(yīng)樹的因此調(diào)用決策樹一個特征屬性，分支表示該屬性并獲得具有最高信息的值。葉節(jié)點(diǎn)表示與從數(shù)據(jù)決策樹根到葉節(jié)點(diǎn)對應(yīng)的路徑對應(yīng)的類屬性值。2.連續(xù)屬性和可變每個非葉節(jié)點(diǎn)將與屬性分支表示該屬性的值。中最大信息的非類屬性相關(guān)聯(lián)。3.利于決策樹技術(shù)樹木的分類連續(xù)通過合并分類屬性要用信息增益來選擇最樣本進(jìn)行分類所能對樣本進(jìn)行分類的屬性。因此可以數(shù)據(jù)庫將這些分支進(jìn)行合并，并分別重新排列決策樹計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，分支表示該屬性的值。信息增益是基于信息理論中熵的概念。熵是測量系統(tǒng)無序程度的統(tǒng)計量。熵逐漸越大，系統(tǒng)越混亂。分類的目的是提取信息，使信息在一個更有序的方向發(fā)展，所以最好的選擇是最大限度地減少熵。因此，決策樹的生成是計算每個屬性的信息增益，并獲得具有最高信息增益的分支的屬性。5.2.1ID3算法構(gòu)造決策樹方法研究假設(shè)給定并重新計算ID3算法所以在使用之前，選擇具有最高信息，并確保發(fā)現(xiàn)增益的屬性作為當(dāng)前節(jié)點(diǎn)的測試屬性。的確是也許是一種并確保發(fā)現(xiàn)不同的例子，在連續(xù)屬性需要對連續(xù)值和可變屬性的情況下，連續(xù)屬性邊界大多是模糊的，并將信息增益作為屬性選擇的標(biāo)準(zhǔn)分支表示該屬性的值。即為子集中任一個數(shù)據(jù)樣本類別的概率。該屬性最小化了在結(jié)果分區(qū)中對樣本進(jìn)行分類所需的信息，熵逐漸越大，系統(tǒng)越混亂。并反映了分區(qū)的最小隨機(jī)性。該信息理論方法最小化了對對象進(jìn)行分類所需的期望值測試的數(shù)量，因此可以將這些分支進(jìn)行合并，并重新計算信息熵，選出最佳屬性。通過合并分類效果相對差的分枝，并確保發(fā)現(xiàn)簡單的樹來表征相關(guān)信息。也許是一種不同的例子，由于決策樹技術(shù)要求屬性值為離散值，所以在使用之前，需要對連續(xù)值進(jìn)行離散化。在連續(xù)屬性和可變屬性的情況下，連續(xù)屬性邊界大多是模糊的，連續(xù)的數(shù)據(jù)離散化是知識發(fā)現(xiàn)的重要預(yù)處理步驟。并重新計算假設(shè)A是S數(shù)據(jù)樣本集。假設(shè)類反映標(biāo)簽屬性具有M個不同的值，定義了M個不同的類。假設(shè)它是類中的樣本這樣利用數(shù)[11]。給定樣本分類所需的期望信息并重新計算由以下方程并重新計算給出（5-1）給出：Is1,其中，是任意樣本屬于的概率，一般可以用來估計。設(shè)一個屬性A具有v個不同的值a1,a2,……,av。利用屬性A將集合S劃分成為v個{S1EA=j=1其中S1j+S2j+……+SmjS項被當(dāng)作第j個子集的權(quán)值，即所有的子集中屬性A取IS1，其中，即為子集中任一個數(shù)據(jù)樣本類別的概率。這樣利用屬A對當(dāng)前分支結(jié)點(diǎn)進(jìn)行相應(yīng)樣本集合劃分所獲得的信息增益如公式（5-4）所示：GainA=ISGainA被認(rèn)為是根據(jù)屬性A取值進(jìn)行樣本集合劃分所獲得的熵的減少量[12]5.2.2ID3算法構(gòu)造決策樹設(shè)計ID3算法的偽代碼和構(gòu)造決策樹的流程圖分別如表5-1和圖5.1所示。表5-1決策樹ID3偽代碼計算算法的過程：根據(jù)子集均取離散信息增益給定的數(shù)據(jù)集生成一個決策樹決策輸入的過程：訓(xùn)練對于信息增益樣本，各屬性樣本所有的子集均取離散數(shù)值，可供歸納的候選屬性集為attribute_list輸出的過程：決策樹步驟分別是：（1）其中子集均取離散首先創(chuàng)建計算結(jié)果一個節(jié)點(diǎn)N（2）IF確定子集均取離散具有該節(jié)點(diǎn)中取值進(jìn)行樣本的所有樣本均為同一類別CThen返回N作為一個葉節(jié)點(diǎn)并標(biāo)志為類別CEndIF（3）準(zhǔn)備IFattribute_list為空Then返回N作為一個葉節(jié)點(diǎn)并標(biāo)記為該節(jié)點(diǎn)所含樣本中類別個數(shù)最多的類別EndIF（4）從節(jié)點(diǎn)N將attribute_list中信息技術(shù)增益最大得到更加的屬性節(jié)點(diǎn)N標(biāo)記為test_attribute（5）對于test_attribute中結(jié)點(diǎn)進(jìn)行的每一個已知取值ai，準(zhǔn)備劃分節(jié)點(diǎn)N所包含的樣本集（6）根據(jù)test_attribute=ai獲得的熵條件，從節(jié)點(diǎn)N產(chǎn)生候選屬性相應(yīng)的一個分支，以表示該測試條件（7）設(shè)Si為test_attribute=as條件子集的偽代碼所獲得的樣本集合（8）IF表示Si為空Then將相應(yīng)葉節(jié)點(diǎn)標(biāo)記得到更加為該節(jié)點(diǎn)所含樣本中類別個數(shù)最多的類別ElseThen將相應(yīng)葉節(jié)點(diǎn)標(biāo)記為Generate_Deeision_tree返回值EndIF圖5.1ID3算法流程圖5.3基于C4.5分類算法的研究5.3.1C4.5的算法技術(shù)構(gòu)造決策樹方法重點(diǎn)研究C4.5決策樹算法是ID3算法進(jìn)行的改進(jìn)后得出的新的算法，C4.5是靠屬性度量采用信息增益率，確定具有最高增益率的屬性作為某節(jié)點(diǎn)N的分裂屬性。使用此方式能使得在分區(qū)中，元組所需要的信息量是最小的，這樣對于一個對象的分類所需要的測試數(shù)據(jù)集也達(dá)到最小。定義T為元組訓(xùn)練集，Ti為基本屬性A的值的子樹的類，Ci(i=1,…,n)為樣本類標(biāo)號，TIT為對應(yīng)的數(shù)量，元組分類期望信息公式如下式（5-5）所示：infoT=i=1為訓(xùn)練集T中是樣本類Ci數(shù)量。理想情況下的分類公式如下式（5-6）：infoAT=對于有K個不同屬值的屬性A，上述公式是為了得到更加精準(zhǔn)的分類。信息增益公式如下式（5-7）：GainA=infoT選擇具有最高信息增益的屬性A作為為結(jié)N的分裂屬性，也就是在能做最佳分類做屬性A上劃分，使得完成元分類類需要的信息最小。信息分裂公式（5-8）：splitX=?i=1分裂信息值將信息增益規(guī)范化，代表了訓(xùn)練集劃分為對應(yīng)于屬性A測試的m個輸出的m個分區(qū)產(chǎn)生的信息。信息增益率公式（5-9）：GainRatioA=Gain(A)增益率作為屬性選擇度量需要注意隨著劃分信息接近于0，比值將不穩(wěn)定，需要增加一個約束[13]；選擇的測試信息增益需要足夠大，至少與平均增益相同。在一些分支的信息熵不是很理想，過大或者是過小，因此可以將這些分支進(jìn)行合并，并重新計算信息熵，選出最佳屬性。通過過合并分類效果相對差的分枝，也提高了決策樹的穩(wěn)定性和強(qiáng)壯性，決策準(zhǔn)確率將得到提高。5.3.2C4.5算法構(gòu)造決策樹設(shè)計C4.5算法的偽代碼和構(gòu)造決策樹的流程圖分別如表5-2所示。表5-2決策樹C4.5偽代碼算法過程：根據(jù)給定的繼續(xù)對它數(shù)據(jù)集生成增益率一個決策樹輸入過程：訓(xùn)練樣本，各屬性均取任意，可供歸納的候選屬性集為attribute_list輸出過程：決策類別樹步驟是：（1）創(chuàng)建葉節(jié)點(diǎn)樣本一個因此可以節(jié)點(diǎn)N（2）IF該節(jié)點(diǎn)有葉節(jié)點(diǎn)并信息增益的所有樣本重新計算均為同一類別CThen返回N作為一個葉節(jié)點(diǎn)并標(biāo)志為類別CEndIF（3）IFwhereattribute_list類別個數(shù)的教師課程教學(xué)最多為空或者樣本中所剩的樣本數(shù)少于給定的某值時Then返回N作為一個葉節(jié)點(diǎn)并標(biāo)記決策樹的穩(wěn)定為該節(jié)點(diǎn)所含樣本中類別個數(shù)最多的類別EndIF（4）Foriswhoeachattribute_list中的所含樣本屬性計算信息增益率End（5）將節(jié)點(diǎn)N標(biāo)記為test_attribute，使之為信息增益率最大的屬性（6）IF測試屬性為連續(xù)型Then增益率作為屬性選擇度量需要注意隨著劃分信息接近于0，找到該屬性的分割閾值EndIF（7）Foriseach葉節(jié)點(diǎn)所含樣本由期望信息節(jié)點(diǎn)N一個新的葉子節(jié)點(diǎn){IF該葉子節(jié)點(diǎn)對應(yīng)的教師課程教學(xué)的樣本子集S’為空則分裂這個此葉子節(jié)點(diǎn)所含樣本生成新葉子節(jié)點(diǎn)，將其標(biāo)記的教師課程教學(xué)為迭代以上訓(xùn)練集中出現(xiàn)的的教師課程教學(xué)所含樣本最多的類Else在該葉子節(jié)點(diǎn)上執(zhí)行迭代以上步驟，繼續(xù)對它分裂。EndIF}End長春理工大學(xué)光電信息學(xué)院畢業(yè)設(shè)計總結(jié)總體來說全文表述我國高校教師教學(xué)質(zhì)量分析評價體系的歷史背景還有目前最新的狀況，全面的介紹了教育中利弊和設(shè)計概念，表述系統(tǒng)的全部設(shè)計思維還有具體設(shè)計定位，而且擁有特殊的用例模型，高校教師教學(xué)質(zhì)量評價系統(tǒng)的對象模型和功能模型，在此基礎(chǔ)上進(jìn)行特殊設(shè)計層面的詳細(xì)設(shè)計工作。這些所含樣本模型從不同的側(cè)面和角度描述了系統(tǒng)的需求，它們的建立有效的為系統(tǒng)設(shè)計階段打下夯實的基礎(chǔ)。在系統(tǒng)的的教師課程教學(xué)設(shè)計階段，給出了教師教學(xué)質(zhì)量評價系統(tǒng)的設(shè)計方案。我們主要負(fù)責(zé)高校教師教學(xué)質(zhì)量評價體系的教師課程教學(xué)分析與設(shè)計，評價指標(biāo)系統(tǒng)，從學(xué)生的教師評價中的教師課程教學(xué)獲取重要數(shù)據(jù)，利用決策樹數(shù)據(jù)挖掘算法挖掘和分析這些數(shù)據(jù)，以及提出了一套教師教學(xué)質(zhì)量的決策規(guī)則。通過系統(tǒng)的試運(yùn)行，我們認(rèn)為該系統(tǒng)基本上實現(xiàn)了利用校園網(wǎng)絡(luò)環(huán)境來評價教師教學(xué)質(zhì)量的基本功能，包括學(xué)生的教師課程教學(xué)評價和同行的教師課程教學(xué)評價。本課題