[发明专利]一种基于聚类的独立学院学生评教数据分析方法

权利要求书

1.一种基于聚类的独立学院学生评教数据分析方法，其特征在于，包括以下步骤：

(1)教学评价结果数据的预处理，将数据统一化为文本属性，得到评教数据表；

(2)采用模糊K-Modes算法对评教数据表的数据进行分析，得到数据分析的结果；

所述步骤(2)具体包括：

步骤S1：设置循环参数高限，并设初始值为0，设置聚类数K的初始值为1；

步骤S2：从评教数据表中任意选取K条记录作为初始聚类中心；

步骤S3：计算每一个数据样本对各个聚类中心的隶属度，隶属度最大的表示该样本已找到对应的类；

步骤S4：计算轮廓系数S，

其中，n表示样本总数，假设样本i被聚到c类，个体轮廓系数

a(i)表示样本i和同属于c类的其他所有样本之间的平均距离，b(i)表示样本i和非c类的各个类中所有样本的平均距离的最小值；

步骤S5：对循环参数递增加1，重复步骤S2至S4，重新寻找k类聚类中心后再聚类，再计算轮廓系数；

步骤S6：达到循环参数高限，每次循环中计算的轮廓系数越接近1，说明当前选取的初始聚类中心是最佳的，淘汰其他的循环中所得到的聚类中心，转到步骤S7；

步骤S7：更新每个类的聚类中心，重新找出数据集中更能代表聚类中心的数据记录，即聚类中心的每一个数据列取值为该类所有样本中该数据列出现频率最高的那项值；

步骤S8：重新计算各个数据样本对新聚类中心的隶属度；

步骤S9：如果隶属度有变化，根据每个样本的最大隶属度重新归类，回到步骤S7；如果隶属度没有变化，那么k类的聚类已经完成，计算距离评价函数F(X,K)的值；

其中，x_i为第c类中任一对象，z_i为第c类聚类中心；

步骤S10：如果K值递增加1，回到步骤S2进行下一轮的聚类流程；如果聚类流程停止，比较每一轮聚类计算得出的F(X,K)的值，找到最小的值对应的那轮聚类为最佳的聚类结果，得到数据分析的结果。

2.根据权利要求1所述的独立学院学生评教数据分析方法，其特征在于，所述步骤(1)具体包括：

获取教学评价结果数据，每一个样本包括学生属性数据、课程属性数据和课程评教成绩数据；

学生属性数据的预处理：

所述学生属性数据包括专业类型、年级、性别、出勤率和课程期末成绩，其中专业类型、年级、性别的属性取值为文本型数据，

出勤率y＝出勤课时/学期总课时,当{y|y≥0.9}属性赋值为高，当{y|0.9＞y≥0.8}属性赋值为中，当{y|0.8＞y≥0.7}属性赋值为低，当{y|y＜0.7}取消评教资格；

课程期末成绩按照分数进行降序排序，再根据所排名次划分成5个区间{[0，10％]，[11％，20％]，[21％，30％]，[31％，40％]，[41％，100％]}，对应得到属性赋值分别为{优，良，中，合格，不合格}；

课程属性数据的预处理：

课程属性数据包括课程类型，具体包括专业必修课、专业选修课、全校性公选课和基本技能课；

课程评教成绩数据的预处理：

将每一个课程评教成绩按照分数进行降序排序，再根据所排名次划分成5个区间{[0，10％]，[11％，20％]，[21％，30％]，[31％，40％]，[41％，100％]}，对应得到属性赋值分别为{优，良，中，合格，不合格}。