高职院校人才培养质量监控与评价系统研究课件

1、高职院校人才培养质量监控与评价系统研究 答辩人: 张磊导 师: 王浩教授概 述贝叶斯理论基础和贝叶斯网络 人才培养质量监控系统模型开发 人才培养质量监控与评价预测模型设计 总结与展望 主要内容概 述研究背景和意义数据挖掘概述 贝叶斯分类概述 数据挖掘概述 1989年第11届国际联合人工智能学术会议：KDD概念的提出。1995年美国计算机年会：提出数据挖掘的概念 。数据挖掘就是从大量的、各种类型的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 数据挖掘中的分类问题数据分类（data classfication）的过程包括两个步骤

2、：建立分类模型和利用模型对数据进行分类。训练数据分类算法分类规则（a）学习分类规则测试数据新数据模型评估新数据分类（b）分类数据挖掘中的分类问题常用的几种分类方法 数据挖掘中的分类决策树神经网络模糊集遗传粗糙集贝叶斯分类概述 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。贝叶斯公式：P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x) 贝叶斯理论基础条件概率设A、B是两个基本事件，且P (A) 0，则称： 为事件A己发

3、生的条件下事件B发生的条件概率。 若表示事件的全集，根据条件概率的定义，则得出以下几个性质：（1）（2）若A和B互为排斥的两个事件，则（3）贝叶斯网络定义 Judea Pearl于1988年提出了贝叶斯网络的概念，实质上就是一种基于概率的不确定性推理网络。它是用来表示变量集合连接概率的图形模型，提供了一种表示因果信息的方法。 图2.1 一个简单的贝叶斯网（a）各点间的依赖关系 （b）节点z的条件概率表 贝叶斯网络的结构学习 表2.1 贝叶斯学习的分类情况网络结构已知网络结构未知数据完备概率参数学习；简单统计估计；MLE方法；贝叶斯方法找最优网络结构：MDL、BDe等评分标准，启发式搜索、模拟退

4、火搜索等算法数据不完备找到最优概率参数；EM算法、基于梯度方法、蒙特卡洛方法，高斯算法，BC算法既要找最佳结构，又要求出最优参数，有结构EM算法，混合模型等贝叶斯网络的结构学习基于评分的贝叶斯网络结构学习（1）模型选择 模型选择部分要制定模型选择准则，即评分函数。（最优参数对数似然函数，家族CH评分，贝叶斯信息准则评分） （2）模型优化 模型优化就是要根据模型选择准则，即评分函数，选择出评分最高的网络结构，也就是搜索策略问题。( K2算法，随机重复爬山法，禁忌搜索，模拟退火，遗传算法）贝叶斯网络的结构学习基于条件独立性测试的贝叶斯网络结构学习 表2.3 基于独立性检验的网络结构学习算法算法名称

5、网络类型节点序是否给出CI检验的复杂性Wermuth-LauritzenBN给出O(N2)Boundary-DAGBN给出指数级SRABN部分有序指数级ConstructorMN未给出指数级贝叶斯网络的参数学习 EM算法 通过交替运用期望步骤和最大化步骤，达到数据似然值的局部最优化，其中期望步骤(E-step)是根据己有参数发现所期望的完整数据，最大化步骤(M-step)则重新估计参数 。（迭代调整参数的算法 ） EM算法的结果只能保证收敛到后验密度函数的稳定点，并不能保证收敛到极大值点 。贝叶斯分类器 图2.2 朴素贝叶斯分类模型图2.3 TAN模型图2.4 BAN模型图2.5 BMN模型图

6、2.6 GBN模型软件设计与开发技术 人才培养质量监控系统模型学籍管理系统成绩管理系统学生查询系统班级信息成绩信息学籍信息数据分析仓库图3.1 人才培养质量监控系统结构图软件设计与开发技术 软件开发平台 架构：B/S架构 数据库：SQL Server 2005 系统运行环境：Win2003server+IIS6.0+IE7.0系统业务功能实现 系统构成学籍管理系统学籍管理系统管理级别分为系统管理、校级管理、班级管理三个级别。系统管理主要对校级管理员进行添加、权限设置、信息修改和删除等操作，当输入正确的用户名和密码后即可登陆到系统管理页面。成绩管理系统采用校级管理和班级管理两级管理体系。校级管理

7、员分为超级管理员和普通管理员两大类，超级管理员可以对普通管理员进行添加、信息修改、删除、权限设置等操作；普通管理员可以查看本系所有班级的成绩信息，在权限允许的情况下提交和修改本系各班级的每学期各门课程的成绩，对全班成绩和各科目成绩进行分析和修改。 人才培养质量监控与评价预测模型设计 人才培养质量监控与评价模型构建对学生实例进行分类预测 人才培养质量监控与评价模型构建学生信息数据库构建学生基本信息库IdStudentidNameClassid专业班级库IdClassnameClassidDepartid课程数据库IdcoursetidcoursenameClassid学生成绩库IdStudent

8、idClassidScores学生留言库IdStudentidClassidAdmin管理员库Idadminidadminnamepwd系部库Iddepartiddepartname图4.1 学生信息数据库关系图表4.1 毕业生信息训练样本集合学号文化课平均成绩（A）专业课平均成绩（B）是否获得奖学金（J）是否获得技能等级证书（D）大学英语水平（E）学生干部（G）政治面貌（Z）综合素质（R）20060100176.2477.5801011220060100282.2983.9511001220060100376.7176.4701101220060100474.8872.89000001200

9、60100576.2977.7901101220060100676.2979.7401001220060100779.8883.0511101220060101678.1880.9511100220060101783.0686.7911111220060101876.7178.5311101220060101979.9482.1111101220060102082.0686.2611101220060102170.0073.7401001120060102274.4178.8401101120060102381.1881.0511101220060102482.0681.21111012实例数

10、取500时得到的结构图为实例数取1000时得到的结构图为 毕业生综合素质评价贝叶斯网络结构图 ARGZDEBJ对学生实例进行分类预测 实例分析表4.3 不同数据集下的分类精度分析表训练数据集2010届毕业生数据集2007-2010届毕业生数据集训练集5103个样本数据2448个样本数据7591个样本数据测试集1386个样本数据1386个样本数据1386个样本数据分类精度87.59%81.82%85.71%是否符合预期目标是是是对学生实例进行分类预测 实验验证 准备工作阶段确定特征属性获取训练样本对每个类别计算P(Ri)对每个特征属性计算所有划分的条件概率对每个类别计算P(X|Ri)P (Ri)

11、以P(X|Ri)P (Ri)最大项作为X的所属类别应用阶段图4.3 朴素贝叶斯分类流程图对学生实例进行分类预测 实验验证 对学生实例进行分类预测 实验验证 表4.4 贝叶斯网络分类预测模型与朴素贝叶斯分类预测模型对比分析表贝叶斯模型分类预测朴素贝叶斯分类预测样本数据集某高职院校学生信息某高职院校学生信息训练集5103个样本数据5103个样本数据测试集1386个样本数据1386个样本数据分类精度87.59%79.65%是否符合预期目标是否提出了一个解决高职学生综合素质评价的思路确定影响高职学生综合素质的因素构建高职院校学生综合素质评价预测模型总结与展望 进一步研究（1）与预测模型对应的应用系统的实现将是下一步要做的重要