Data Mining Applications: A comparative Study for Predicting Student's performance
知识发现和数据采掘(KDD)是一个多学科领域,重点是从数据中提取有用知识的方法,有几个有用的KDD工具来提取知识。这些知识可以用来提高教育质量。但是教育机构没有对这些数据使用任何知识发现过程方法。数据采掘可以用于教育系统的决策。决策树分类器是基于分而治之技术的用于数据探索的最广泛使用的监督学习方法之一。本文讨论了决策树在教育数据采掘中的应用。运用决策树算法对学生过去的成绩数据进行处理,生成模型,并利用该模型对学生的成绩进行预测。它有助于及早确定辍学者和需要特别关注的学生,并使教师能够提供适当的建议/咨询。
2012-02-23 cs.DB cs.IR
Optimal Categorical Attribute Transformation for Granularity Change in Relational Databases for Binary Decision Problems in Educational Data Mining
本文提出了一种在层次数据库中对二元决策问题的数据粒度进行转换的方法,该方法通过在较低粒度级别上对分类属性进行回归来实现。来自关系数据库中较低层次实体的属性通过在小的排他标记样本上训练的类别直方图上回归而不是分布的通常模式类别来优化其信息内容。本文通过一个评价中学质量的二元决策任务验证了该方法,重点是逻辑回归如何将学生和教师属性转换为学校属性。实验进行了巴西学校的公共数据集,通过10倍交叉验证比较的排名得分也由逻辑回归。所提出的方法取得了更高的性能比通常的分布模式转换和等于专家加权方法测量的最大Kolmogorov-Smirnov距离和ROC曲线下面积在0.01的显着性水平。
2017-02-28 cs.AI cs.DB
Role of Data Mining in Nigerian Tertiary Education Sector
本文探讨数据挖掘工具和技术在分析尼日利亚高校学生数据、预测师生表现及解决院校职能部门问题中的作用,以应对高等教育快速扩张带来的挑战。
2024-11-07 cs.CY cs.DB
Data Mining-based Materialized View and Index Selection in Data Warehouses
物化视图和索引是在数据仓库中偶尔使用的用于加速数据访问的物理结构。然而,这些数据结构产生一些维护开销。它们也共享相同的存储空间。现有的关于物化视图和索引选择的研究大多是单独考虑这些结构的。本文采用相反的观点,将物化视图和索引选择结合起来,考虑视图和索引的交互,实现高效的存储空间共享。通过数据采掘过程选择候选物化视图和索引。我们还利用成本模型,评估索引和视图物化各自的好处,并帮助选择一个相关的配置的索引和物化视图的候选人。实验结果表明,我们的策略性能优于独立选择的物化视图和索引。
2007-07-11 cs.DB
Discovering potential user browsing behaviors using custom-built apriori algorithm
大多数组织把信息放在网上,因为他们希望全世界都能看到。他们的目标是让访问者来到网站,感到舒适,停留一段时间,并试图完全了解跑步组织。随着教育系统对数据采掘的需求日益增加,挖掘大量学生信息中隐藏的有用信息(规则、聚类和分类等模式)的机会也随之出现。教育领域为许多有趣和具有挑战性的数据采掘应用提供了基础,如天文学,化学,工程学,气候研究,地质学,海洋学,生态学,物理学,生物学,健康科学和计算机科学。使用所需的兴趣度度量来收集有趣的模式,这有助于我们发现最终用于开发网站的复杂模式。我们研究应用数据采掘,以教育日志数据收集古鲁纳纳克理工学院,印度纳辛帕特南。我们提出了一个定制的apriori算法来找到有效的模式分析。最后,分析Web日志的使用和访问趋势不仅可以为网站开发人员和管理员提供重要信息,而且还有助于创建自适应网站。
2010-09-02 cs.DB
OCPM$^2$: Extending the Process Mining Methodology for Object-Centric Event Data Extraction
Stockholm University(斯德哥尔摩大学);Linköping University(利厄普堡大学)
本文提出一种基于PM\inst{2}的结构化方法论,用于从教育系统中提取对象中心事件数据(OCED),并通过真实案例验证其有效性。
2025-04-21 cs.AI cs.DB
Data Mining Attribute Selection Approach for Drought Modeling: A Case Study for Greater Horn of Africa
本文的目标是:1)开发一种经验方法,用于选择干旱建模的相关属性; 2)选择与大非洲之角干旱建模和预测最相关的属性。来自不同领域的24个属性用于此实验分析。两个属性选择算法用于本研究:主成分分析(PCA)和基于相关性的属性选择(CAS)。使用PCA和CAS算法,24个属性的排序,他们的价值值。因此,选择了15个属性来模拟GHA的干旱。所选属性的平均价值从0.5到0.9不等。未来的研究可能会使用相关的分类技术来评估所开发的方法,并量化从所开发的方法中获得的实际信息。
2017-08-15 cs.DB
Hybrid Data Mining Technique for Knowledge Discovery from Engineering Materials' Data sets
从数据采掘的角度来研究材料信息学可以有益于制造业和其他工业工程应用。将预测数据采掘技术与机器学习算法相结合,设计了一个用于工程材料选择的知识发现系统,以满足设计要求。分别采用预测方法-朴素贝叶斯分类器和机器学习算法-皮尔逊相关系数法对材料进行分类和选择。从工程材料数据集中提取的知识,提出了先进的工程材料设计应用程序的有效决策。
2012-09-19 cs.DB
A Data Mining view on Class Room Teaching Language
从古印度时期起,教育机构就开始使用教室教学。教师讲解材料,学生理解并学习课程。衡量知识没有绝对的尺度,但考试成绩是一个尺度,它反映了学生的表现指标。因此,教授适当的材料是很重要的,但在教授选择哪种语言时,必须准备课堂笔记和出勤。本研究分析了语言对学生课堂表现的影响。主要目的是了解课堂上适当语言和出勤率的支持、信心和兴趣水平。为此,使用关联规则。
2011-04-21 cs.DB cs.IR
Optimal Cell Towers Distribution by using Spatial Mining and Geographic Information System
无线通信的出现正在极大地改变我们的生活。移动电信作为一种技术奇迹出现,使人们能够在任何地点和任何时间通过毫不费力的即插即用获得个人和其他服务、设备、计算和通信。建立无线移动网络通常需要:频率分配,通信协议选择,路由方案选择和蜂窝塔分布。本研究以地理信息系统为工具,利用空间挖掘技术对基站布局进行优化。通过在必须覆盖两个层次的区域的图像上应用数字高程模型(DEM),可以进行分布优化。本研究将应用空间关联规则技术于第二层,以选择小区中最佳的正方形来放置天线。因此,该提案将尽量减少安装塔的数量,使塔的位置可行,并提供全区域覆盖。
2011-04-14 cs.DB
A Data Mining Framework for Optimal Product Selection in Retail Supermarket Data: The Generalized PROFSET Model
近年来,数据采掘的研究人员已经开发出有效的关联规则算法,零售市场购物篮分析。尽管如此,零售商经常抱怨如何采用关联规则来优化具体的零售营销组合决策。正是在这种情况下,在以前的论文中,作者介绍了一种产品选择模型,称为PROFSET。该模型在给定零售商定义的约束条件下,根据产品的交叉销售潜力从产品组合中选择最感兴趣的产品。然而,这种模式遭受了一个重要的缺陷:它不能有效地处理超市的数据,并没有采取任何规定,包括零售类别管理原则。因此,在本文中,作者提出了一个重要的推广现有的模型,以使其适用于超市的数据,以及使零售商添加类别限制的模型。从比利时连锁超市获得的真实世界的数据上的实验产生非常有前途的结果,并证明了广义PROFSET模型的有效性。
2001-12-11 cs.AI cs.DB
Advancing Object-Centric Process Mining with Multi-Dimensional Data Operations
Linköping University(林雪平大学);Stockholm University(斯德哥尔摩大学)
本文提出四种操作:钻取、汇总、展开和折叠,以调整分析粒度,提升面向对象过程挖掘的灵活性和精度,通过实验证明其在教育过程挖掘中的有效性。
2026-07-07 cs.DB
Automatic Selection of Bitmap Join Indexes in Data Warehouses
在数据仓库上定义的查询是复杂的,并且使用多个连接操作,这导致昂贵的计算成本。当查询访问非常大量的数据时,这种成本变得更加高昂。为了缩短响应时间,数据仓库管理员通常使用星型连接索引或位图连接索引等索引技术。然而,这一任务是复杂而艰巨的。我们的解决方案是在数据仓库自动管理领域。在这个框架中,我们提出了一个自动索引选择策略。我们利用一个数据采掘技术,更准确地说,频繁项集挖掘,以确定一组候选索引从一个给定的工作量。然后,我们提出了几个成本模型,允许创建一个由提供最佳利润的指数组成的指数配置。这些模型评估使用位图连接索引访问数据的成本,以及更新和存储这些索引的成本。
2007-03-23 cs.DB
Case study: Data Mining of Associate Degree Accepted Candidates by Modular Method
大约10年前,伊朗应用科技大学(UAST)开始采用模块化方法招收非连续副学士学位学生,每年招收近10万名学生。虽然举办这些课程的首要目的是提高雇员的科学和技能水平,但随着时间的推移,有相当多的失业者对参加这些课程感兴趣。针对这一事实,本文采用无监督学习和监督学习范式,对2008和2009模块化课程录取考生样本数据进行了挖掘和分析。在第一步中,通过使用无监督范式,我们根据学生身份对模块化接受的候选人进行分组(聚类),并将数据集标记为三个类,以便每个类以某种方式显示模块化接受的候选人的教育和学生身份。在第二步中,通过使用监督和非监督算法,我们生成预测模型在2008年的数据集。然后,通过对生成模型的性能进行比较,选择了关联规则预测模型,并利用该模型提取了部分规则。最后,该模型被执行的测试集,其中包括接受的候选人的下一个课程,然后通过评估的结果,得到的结果的正确性和机密性的百分比可以查看。
2014-04-16 cs.DB
Mining CFD Rules on Big Data
现有的条件函数依赖(CFD)发现算法通常需要一个准备良好的训练数据集。这使得它们很难应用于大型数据集,这些数据集总是质量低下。为了处理大数据量的问题,我们开发了抽样算法来获得一个小的代表性的训练集。针对大数据的低质量问题,设计了容错规则发现算法和冲突消解算法。为保证CFD发现算法的有效性,提出了CFD发现算法的参数选择策略.实验结果表明,该方法可以在合理的时间内发现有效的十亿元组数据的CFD规则。
2018-08-05 cs.DB
Index and Materialized View Selection in Data Warehouses
本文的目的是提出一个国家的最先进的索引和物化视图选择方法的主要家庭的概述,并讨论了数据仓库性能优化的问题和未来的趋势。我们特别关注我们开发的基于数据采掘的算法,以降低选择问题的复杂性,并以最相关的候选索引和物化视图为目标。
2017-01-27 cs.DB
Scientific Data Mining in Astronomy
我们描述了数据挖掘算法在天文学研究问题中的应用。我们认为,数据挖掘一直是天文学研究的基础,因为数据挖掘是基于证据的发现,包括分类,聚类和新颖性发现的基础。这些算法代表了在大型数据库中发现的一套主要计算工具,这在数据密集型天文学时代将变得越来越重要。回顾了天文学数据挖掘的历史实例,然后讨论了预计在未来十年中最大的数据生产项目之一:大型综合巡天望远镜(LSST)。为了促进天文学中数据驱动的发现,我们设想了一种新的天文学和天体物理学面向数据的研究范式-天体信息学。天文信息学被描述为现代数据密集型天文学的一种研究方法和教育必要性。大型时域巡天(如LSST)的一个重要应用领域是实时天空事件(包括移动物体、光度可变物体和瞬变现象)的快速识别、表征和分类。我们描述了一个可能的实现的分类代理这样的事件,它结合了几个天体信息学技术:用户注释,语义标记,元数据标记,异构数据集成,分布式数据挖掘。这些类型的合作分类和发现的方法在其他科学学科的例子。
2009-11-03 astro-ph.IM cs.DB cs.IR
The Minimum Description Length Principle for Pattern Mining: A Survey
University of Eastern Finland(东芬兰大学)
最小描述长度(MDL)原则应用于模式挖掘。本说明的长度保持在最低限度。挖掘模式是数据分析中的核心任务,除了有效枚举问题之外,模式的选择也是一个重大挑战。MDL原则是一种基于信息论的模型选择方法,它被应用于模式挖掘,目的是获得紧凑的高质量模式集。在概述了信息论和编码的相关概念以及MDL和类似原则背后的理论工作之后,我们回顾了基于MDL的挖掘各种类型数据和模式的方法。最后,我们对这些方法的一些问题进行了讨论,并强调了目前活跃的相关数据分析问题。
2022-07-28 cs.AI cs.DB cs.IT
Hashing for Fast Pattern Set Selection
University of Eastern Finland(东芬兰大学)
针对模式集挖掘中高效寻找优质模式集的问题,提出基于bottom-k哈希的快速选择方法,并扩展至近似模式场景,在合成与真实数据集上速度显著优于贪心算法且效果相当。
2025-07-11 cs.DB cs.LG
Discovering Categorical Main and Interaction Effects Based on Association Rule Mining
Zhejiang University(浙江大学)
随着数据集规模的不断扩大,特征选择变得越来越重要。考虑原始特征之间的相互作用会导致非常高的维数,特别是当特征是分类的并且应用独热编码时。这使得挖掘有用的特征以及它们之间的相互作用更有价值。关联规则挖掘旨在提取项目之间有趣的相关性,但很难将规则本身用作合格的分类器。从关联规则挖掘中得到启发,我们提出了一种方法,使用关联规则来选择功能和它们之间的相互作用,然后修改算法的几个实际问题。我们分析了该算法的计算复杂性,以证明其有效性。并通过一系列实验验证了该算法的有效性。
2021-04-10 cs.DB cs.LG
Data Mining for Actionable Knowledge: A Survey
数据采掘过程由一系列步骤组成,从数据清洗、数据选择和转换到模式评估和可视化。数据采掘的核心问题之一是使挖掘出的模式或知识具有可操作性。在这里,术语可操作是指挖掘的模式向决策者建议具体和有利可图的行动。也就是说,用户可以做一些带来直接利益的事情(增加利润,降低成本,提高效率等)。对组织有利然而,还没有关于这一主题的全面调查。本文的目的就是填补这一空白。在本文中,我们首先提出了两个框架,用于挖掘现有的研究方法不明确采用的可操作的知识。然后,我们试图从两个不同的角度来讨论这个主题的一些研究:1)数据采掘任务和2)采用的框架。最后,我们指出了尚未解决或研究不足的问题,并总结了论文。
2005-01-27 cs.AI cs.DB
A Brief Review of Data Mining Application Involving Protein Sequence Classification
数据采掘技术已被研究人员用于分析蛋白质序列。在蛋白质分析中,特别是在蛋白质序列分类中,特征的选择是最重要的。流行的蛋白质序列分类技术涉及从序列中提取特定特征。研究人员应用一些著名的分类技术,如神经网络,遗传算法,模糊ARTMAP,粗糙集分类器等准确的分类。本文介绍了三种不同的分类模型:神经网络模型、模糊ARTMAP模型和粗糙集分类器模型。最后提出了一种新的蛋白质序列分类方法。所提出的技术试图减少以前的方法遇到的计算开销,并提高分类的准确性。
2012-11-20 cs.DB cs.NE
Integrating User's Domain Knowledge with Association Rule Mining
Chaudhary Devi Lal University(乔杜里·德维·拉尔大学)
本文提出了一种变体的Apriori算法,包括领域专家的作用,指导和加快整体知识发现任务。通常,用户感兴趣的是查找某些属性之间的关系,而不是整个数据集。此外,他可以帮助挖掘算法选择目标数据库,这反过来又需要更少的时间来找到所需的关联规则。标准Apriori和交互式Apriori算法的变体已经在人工数据集上运行。结果表明,在目标属性的选择中加入用户的偏好,有助于在空间和时间上有效地搜索关联规则。
2010-04-20 cs.AI cs.DB
A New Method for Classification of Datasets for Data Mining
Faculty of Engineering & Technology, Mody Institute of Technology & Science(Mody科技学院工程与技术学院)
决策树是归纳研究和数据采掘的重要方法,主要用于模型分类和预测。ID 3算法是迄今为止决策树中应用最广泛的算法。针对ID 3算法倾向于选择多值属性的缺点,提出了一种新的决策树算法,该算法是ID 3算法的改进。在我们提出的算法中,属性被分成组,然后我们对这些组应用选择度量5。如果信息增益不好,则再次将属性值分组。完成这些步骤,直到我们获得良好的分类/误分类比率。所提出的算法分类的数据集更准确,更有效。
2016-12-01 cs.DB cs.LG stat.ML