数据挖掘技术在高职就业分析中的应用研究

论文摘要

近阶段,由于国家对职业教育发展的重视使得各类职业技术学院蓬勃发展,高职业院校毕业生就业形式也变得多元化和自主化,无论是学生的就业率还是教育质量,都取得了很大成绩。目前,对高职院校的毕业生来说就业率已不成问题,关键是就业质量问题。数据挖掘是从大量数据中提取有效的、新颖的、潜在有用的、最终可被理解的模式的非平凡过程。数据挖掘的一个主要任务是聚类分析,聚类分析是将性质相近的数据归为一类,性质差别较大的数据归入不同的类,从而使得同一类的每个数据对象尽可能的相似,不同类间数据对象相似性尽可能的小。K-means聚类算法是聚类分析的经典算法,它用划分的每个聚类中数据的平均值来表示该聚类。决策树方法是解决分类问题的最有效的方法,它通过构造决策树来建立分类处理模型。C4.5决策树分类算法是在ID3算法的基础上提出的一种基于ID3算法的改进算法,它的应用已经得到业界的肯定。而R-C4.5算法则是基于C4.5算法的一种有效的改进模型,该模型通过对无贡献或贡献少的分枝进行合并,从而克服了C4.5决策树的空枝过多、过度拟合和树的不健壮等问题。本文简述了数据挖掘的基础理论,重点阐述了聚类分析和决策树分类技术。以某高职院校近几届毕业生的个人信息、教育信息和就业信息数据为研究对象,在数据预处理的基础上,分别运用K-means聚类分析技术和R-C4.5决策树分类技术进行数据挖掘,完整地实现了数据挖掘的全过程,并挖掘出影响高职毕业生就业质量的相关因素,为政府和学校提高就业质量的各类措施和改革提供了决策依据。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本课题研究背景和研究意义
• 1.2 本文的研究内容和体系结构
• 第二章 数据挖掘基础理论
• 2.1 数据挖掘概念
• 2.2 数据挖掘的过程
• 2.3 数据挖掘的功能
• 2.4 聚类分析
• 2.4.1 聚类分析概念
• 2.4.2 聚类分析中数据表示
• 2.4.3 聚类分析主要算法
• 2.4.4 异常数据分析
• 2.5 本章小结
• 第三章 决策树分类
• 3.1 决策树概念
• 3.2 决策树的基本原理
• 3.3 决策树算法
• 3.3.1 ID3算法
• 3.3.2 C4.5算法
• 3.3.3 其他算法
• 3.4 本章小结
• 第四章 K-MEANS聚类在高职就业分析中应用
• 4.1 数据采集
• 4.2 数据预处理
• 4.2.1 数据清洗
• 4.2.2 数据集成与转换
• 4.2.3 数据消减
• 4.3 聚类分析
• 4.3.1 构造差异矩阵
• 4.3.2 K-means聚类
• 4.3.3 试验结果分析
• 4.4 本章小结
• 第五章 R-C4.5决策树模型在高职就业分析中的应用
• 5.1 R-C4.5决策树模型
• 5.2 R-C4.5决策树模型在高职就业分析中的应用
• 5.2.1 数据处理
• 5.2.2 构造决策树
• 5.2.3 提取分类规则
• 5.2.4 分类规则的结果分析
• 5.2.5 分类规则测试
• 5.3 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 在校期间研究成果