贝叶斯网络分类模型在高职教育考试中的应用研究

论文摘要

从海量数据中挖掘知识为决策支持和分析预测服务，已成为人们对信息系统提出的新需求，但数据的处理和数据的提炼技术是匮乏的。起源于贝叶斯统计学的贝叶斯网络以其独特的不确定性知识表达形式、丰富的概率表达能力、综合先验知识的增量学习方法等特性表示了客体的概率分布和因果联系，成为当前数据挖掘众多方法中最为引人注目的焦点之一，成为知识发现领域中的一种重要的知识发现方法。本文主要是对基于贝叶斯网络及其分类模型的应用研究，其主要内容如下：(1)综述了数据挖掘技术的基本概念、数据挖掘中的几种分类方法及其应用，然后结合高等职业教育的现状和学生特点讨论了高等职业教育中贝叶斯网络的基本应用。(2)阐述了贝叶斯网络的理论基础。包括贝叶网络的概念及其性质特点、贝叶斯网络的参数学习和结构学习。讨论了贝叶斯分类和贝叶斯网络分类方法。根据理论知识的描述，用一个典型案例分析论证了贝叶斯网络模型，用K2算法描述了完备数据的结构学习方法。(3)基于K2算法，借助matlab环境，通过机器学习构建了一个高等职业教育中英语应用能力考试的贝叶斯网络分类器。(4)基于贝叶斯网络分类模型在高职教育考试中的应用研究。通过贝叶斯网络分类工具和ID3算法分别完成了对分类模型的验证实验，并对实验结果进行了比较分析。该模型充分利用了学生信息的先验知识，可为高职生今后实用型英语学习指明方向，为学校的教育教学管理或改革提供决策支持。

论文目录

• 摘要
• Abstract
• 致谢
• 第一章 概述
• 1.1 数据挖掘概述
• 1.1.1 数据挖掘概念
• 1.1.2 数据挖掘的主要步骤
• 1.1.3 数据挖掘中的分类问题
• 1.1.3.1 数据分类的过程
• 1.1.3.2 几种主要的分类方法
• 1.1.3.3 分类方法的比较和评估
• 1.2 贝叶斯网络与贝叶斯分类概述
• 1.2.1 贝叶斯网络发展历史
• 1.2.2 贝叶斯网络的优点
• 1.2.3 贝叶斯网络的应用
• 1.2.4 贝叶斯网络与贝叶斯分类
• 1.3 研究的背景与意义
• 1.3.1 本文研究的背景
• 1.3.2 本文研究的意义
• 1.4 论文主要内容及结构
• 第二章 贝叶斯网络的理论基础
• 2.1 基本概念与贝叶斯定理
• 2.2 贝叶斯网络理论基础
• 2.2.1 贝叶斯网络的定义
• 2.2.2 贝叶斯网络公式
• 2.2.3 贝叶斯网络性质
• 2.3 一个贝叶斯网络的模型实例
• 2.4 小结
• 第三章 贝叶斯网络分类器
• 3.1 贝叶斯分类器
• 3.1.1 最大后验假设与最大似然假设
• 3.1.2 贝叶斯分类器及其优化
• 3.2 朴素贝叶斯分类器
• 3.2.1 朴素的贝叶斯分类器模型
• 3.2.2 朴素贝叶斯分类的提升
• 3.3 贝叶斯网络分类器
• 3.4 小结
• 第四章 贝叶斯网络分类器的构建
• 4.1 贝叶斯网络的构建方法
• 4.1.1 贝叶斯网络学习概述
• 4.1.2 贝叶斯网络的构建方法
• 4.2 贝叶斯网络学习的前提假设
• 4.2.1 数据完整性假设
• 4.2.2 无选择偏好假设
• 4.2.3 变量离散化假设
• 4.3 贝叶斯网络的参数学习
• 4.4 贝叶斯网络的结构学习
• 4.4.1 贝叶斯网络的结构学习概述
• 4.4.2 数据完备时基于搜索和打分的方法
• 4.4.2.1 评分测度
• 4.4.2.2 模型选择
• 4.5 基于 K2算法的贝叶斯网络分类器的结构学习
• 4.5.1 K2算法
• 4.5.2 K2算法实现
• 4.6 小结
• 第五章 贝叶斯网络分类器在高职教育考试中的应用
• 5.1 英语应用能力考试预测模型构建
• 5.1.1 收集和描述数据
• 5.1.2 高职英语应用能力考试的贝叶斯网络分类器的形式化描述
• 5.1.3 基于贝叶斯网络分类模型的英语应用能力考试预测模型
• 5.2 分类的实现
• 5.2.1 实例分析
• 5.2.2 实验验证
• 5.3 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 工作展望
• 参考文献
• 附录1 样本部分原始数据
• 附录2 分类模型主要节点条件概率表
• 附录3 攻读硕士学位期间发表的论文