用R語言建立學(xué)生的學(xué)習(xí)表現(xiàn)和性格特征數(shù)據(jù)模型

一、項(xiàng)目介紹：

方法包括以下步驟

S1：將個(gè)體表現(xiàn)數(shù)據(jù)輸入到數(shù)據(jù)庫(kù)；

S2：建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)庫(kù)和性格特征數(shù)據(jù)庫(kù)；

S3：建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)模型和性格特征數(shù)據(jù)模型；

S4：使用數(shù)據(jù)算法計(jì)算學(xué)習(xí)表現(xiàn)數(shù)據(jù)；

S5：輸出個(gè)體性格特征。

步驟（S1）中的個(gè)體表現(xiàn)數(shù)據(jù)為諸如以下類型且不局限于以下類型的個(gè)體表現(xiàn)：

曠課、請(qǐng)假、遲到、早退；

課堂紀(jì)律、上課說話、上課玩手機(jī)、上課吃東西、上課看與學(xué)科內(nèi)容無關(guān)的書、上課期間隨意進(jìn)出、上課手機(jī)響鈴、上課做其他科作業(yè)、上課睡覺、上課坐姿不端正；

課堂上搶答舉手、表達(dá)清楚性、觀點(diǎn)清晰性、內(nèi)容正確性；

小組討論時(shí)主題明確性、討論氣氛活躍性、是否組織者、是否積極發(fā)言；

實(shí)驗(yàn)前儀器樣品狀況確認(rèn)與否、破損儀器數(shù)量、破損儀器時(shí)間、儀器破損上報(bào)情況、儀器賠償、儀器整理情況、實(shí)驗(yàn)完成用時(shí)長(zhǎng)短、實(shí)驗(yàn)過程操作規(guī)范程度、實(shí)驗(yàn)過程中的紀(jì)律遵守情況、實(shí)驗(yàn)后衛(wèi)生打掃情況、原始實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確度、原始實(shí)驗(yàn)數(shù)據(jù)有無抄襲現(xiàn)象、實(shí)驗(yàn)報(bào)告的質(zhì)量；

預(yù)習(xí)、作業(yè)的完成的時(shí)間點(diǎn)，預(yù)習(xí)、作業(yè)的完成的時(shí)間段；

預(yù)習(xí)、作業(yè)的質(zhì)量，預(yù)習(xí)、作業(yè)的次數(shù)；

作業(yè)誠(chéng)信、考試誠(chéng)信；

測(cè)驗(yàn)、考試成績(jī)、考試用時(shí)；

當(dāng)通過設(shè)備交互答題，使用鼠標(biāo)、鍵盤、體感設(shè)備、觸摸屏、模擬設(shè)備時(shí)；

完成的時(shí)間點(diǎn)的早晚、完成的時(shí)間段的長(zhǎng)短、操作的頻率的多少、重復(fù)的頻率的多少、設(shè)備位移的長(zhǎng)度長(zhǎng)短、設(shè)備位移的速度大小、設(shè)備位移的精度大小、操作的質(zhì)量高低；

當(dāng)通過設(shè)備交互答題，使用語音輸入設(shè)備時(shí)；

響度、音調(diào)、音品或音色、語速。

步驟（S2）中的學(xué)習(xí)表現(xiàn)數(shù)據(jù)庫(kù)和性格特征數(shù)據(jù)庫(kù)具有學(xué)生通過性格測(cè)驗(yàn)所獲得的性格特征數(shù)據(jù)以及通過學(xué)習(xí)系統(tǒng)所獲得學(xué)習(xí)數(shù)據(jù)，這些數(shù)據(jù)都是所獲得的原始數(shù)據(jù)。其中，性格測(cè)驗(yàn)包含卡特爾16PF人格測(cè)驗(yàn)、大五人格測(cè)驗(yàn)，卡特爾16PF人格測(cè)驗(yàn)包含16個(gè)維度的性格特征，而大五人格測(cè)驗(yàn)包含五個(gè)維度的性格特征。

步驟（S3）中建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)模型和性格特征數(shù)據(jù)模型，主要是通過學(xué)習(xí)表現(xiàn)與性格特征的原始數(shù)據(jù)，通過計(jì)算其中的相關(guān)系數(shù)，輸出學(xué)習(xí)者的新的性格特征的穩(wěn)定模型。

步驟（S4）中使用的數(shù)據(jù)數(shù)學(xué)算法為包含聚類分析算法（S41）、關(guān)聯(lián)規(guī)則法（S42）、回歸分析法（S43）、BP神經(jīng)網(wǎng)絡(luò)模型（S44）、決策樹（S45）、支持向量機(jī)（S46）的數(shù)據(jù)挖掘算法。

采用聚類分析算法（S41）將學(xué)習(xí)者的表現(xiàn)數(shù)據(jù)類型進(jìn)行相似性比較，將比較相似的個(gè)體性格特征歸為同一組數(shù)據(jù)庫(kù)，采用以下步驟：

（1）選取性格特征作為初始的聚類中心；

（2）輸入學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)和性格特征的測(cè)試結(jié)果；

（3）計(jì)算學(xué)習(xí)表現(xiàn)數(shù)據(jù)類型與各個(gè)性格特征聚類中心之間的距離，使誤差平方和局部最小，并將距離用統(tǒng)一量化的手段給出，把學(xué)習(xí)表現(xiàn)數(shù)據(jù)類型與性格特征之間距離小于閾值的分配給相應(yīng)的性格特征聚類中心，得到的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征之間的分配關(guān)系與距離；

（4）用新的數(shù)據(jù)重復(fù)（1）、（2）、（3）的操作，待相關(guān)系數(shù)穩(wěn)定后，得到穩(wěn)定的數(shù)學(xué)模型；

（5）然后將新的學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)輸入到性格特征評(píng)估系統(tǒng)，可得出新學(xué)習(xí)者的性格特征。

采用關(guān)聯(lián)規(guī)則法（S42）將不同的性格特征關(guān)聯(lián)起來，當(dāng)個(gè)體表現(xiàn)出一種性格特征時(shí)，則可推斷其他性格特征，其方法為：

補(bǔ)充用這種方法的核心步驟

采用回歸分析法（S43）建立數(shù)學(xué)模型，用最小二乘法估計(jì)確定同類型的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某些性格特征之間的定量關(guān)系式，采用逐步回歸、向前回歸和向后回歸方法計(jì)算某個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某個(gè)性格特征的相關(guān)性參數(shù)來判斷某個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某個(gè)性格特征之間的影響是否顯著。

采用BP神經(jīng)網(wǎng)絡(luò)法（S44）對(duì)所有的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征綜合分析，采用最速下降法，沿距離梯度下降的方向求解極小值，經(jīng)過不斷的迭代與修正得出所有的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征之間存在的最短距離，最端距離代表與學(xué)習(xí)表現(xiàn)數(shù)據(jù)相關(guān)的性格特征。

采用決策樹（S45）法對(duì)學(xué)習(xí)表現(xiàn)數(shù)據(jù)分類，將不同類型學(xué)習(xí)表現(xiàn)數(shù)據(jù)更清楚地表示出來。

采用步驟（S4）中的支持向量機(jī)（S46）算法計(jì)算出某一性格特征與其相關(guān)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)所產(chǎn)生的“最短距離方式”，經(jīng)過不斷的迭代運(yùn)算，得出性格特征相關(guān)性較強(qiáng)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)。

有益的效果是：

使用本方法，性格特征評(píng)估系統(tǒng)可以使用新學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)來評(píng)價(jià)其性格特征，從而對(duì)學(xué)生日后的發(fā)展進(jìn)行科學(xué)指導(dǎo)，有利于教師把握學(xué)生的性格。

方法包括以下步驟：S1：將個(gè)體表現(xiàn)數(shù)據(jù)輸入到數(shù)據(jù)庫(kù)；S2：建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)庫(kù)和性格特征數(shù)據(jù)庫(kù)；S3：建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)模型和性格特征數(shù)據(jù)模型；S4：使用數(shù)據(jù)算法計(jì)算學(xué)習(xí)表現(xiàn)數(shù)據(jù)；S5：輸出個(gè)體性格特征。

針對(duì)步驟S1，步驟（S1）中的個(gè)體表現(xiàn)數(shù)據(jù)為諸如以下類型且不局限于以下類型的個(gè)體表現(xiàn)：

曠課、請(qǐng)假、遲到、早退；

課堂紀(jì)律、上課說話、上課玩手機(jī)、上課吃東西、上課看與學(xué)科內(nèi)容無關(guān)的書、上課期間隨意進(jìn)出、上課手機(jī)響鈴、上課做其他科作業(yè)、上課睡覺、上課坐姿不端正；

課堂上搶答舉手、表達(dá)清楚性、觀點(diǎn)清晰性、內(nèi)容正確性；

小組討論時(shí)主題明確性、討論氣氛活躍性、是否組織者、是否積極發(fā)言；

實(shí)驗(yàn)前儀器樣品狀況確認(rèn)與否、破損儀器數(shù)量、破損儀器時(shí)間、儀器破損上報(bào)情況、儀器賠償、儀器整理情況、實(shí)驗(yàn)完成用時(shí)長(zhǎng)短、實(shí)驗(yàn)過程操作規(guī)范程度、實(shí)驗(yàn)過程中的紀(jì)律遵守情況、實(shí)驗(yàn)后衛(wèi)生打掃情況、原始實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確度、原始實(shí)驗(yàn)數(shù)據(jù)有無抄襲現(xiàn)象、實(shí)驗(yàn)報(bào)告的質(zhì)量；

預(yù)習(xí)、作業(yè)的完成的時(shí)間點(diǎn)，預(yù)習(xí)、作業(yè)的完成的時(shí)間段；

預(yù)習(xí)、作業(yè)的質(zhì)量，預(yù)習(xí)、作業(yè)的次數(shù)；

作業(yè)誠(chéng)信、考試誠(chéng)信；

測(cè)驗(yàn)、考試成績(jī)、考試用時(shí)；

當(dāng)通過設(shè)備交互答題，使用鼠標(biāo)、鍵盤、體感設(shè)備、觸摸屏、模擬設(shè)備時(shí)；

完成的時(shí)間點(diǎn)的早晚、完成的時(shí)間段的長(zhǎng)短、操作的頻率的多少、重復(fù)的頻率的多少、設(shè)備位移的長(zhǎng)度長(zhǎng)短、設(shè)備位移的速度大小、設(shè)備位移的精度大小、操作的質(zhì)量高低；

當(dāng)通過設(shè)備交互答題，使用語音輸入設(shè)備時(shí)；

響度、音調(diào)、音品或音色、語速。

針對(duì)步驟S2，學(xué)習(xí)表現(xiàn)數(shù)據(jù)庫(kù)和性格特征數(shù)據(jù)庫(kù)的獲得可以通過以下方式實(shí)現(xiàn)：在學(xué)習(xí)開始時(shí)，先對(duì)學(xué)習(xí)者進(jìn)行常規(guī)的性格測(cè)驗(yàn)，獲得學(xué)習(xí)者的性格特征，并將其儲(chǔ)存進(jìn)入數(shù)據(jù)庫(kù)，然后讓學(xué)習(xí)者使用學(xué)習(xí)系統(tǒng)，產(chǎn)生學(xué)習(xí)表現(xiàn)數(shù)據(jù)，也將其儲(chǔ)存進(jìn)入數(shù)據(jù)庫(kù)，建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)和性格特征數(shù)據(jù)庫(kù)。其中，性格測(cè)驗(yàn)包含卡特爾16PF人格測(cè)驗(yàn)、大五人格測(cè)驗(yàn)，卡特爾16PF人格測(cè)驗(yàn)包含16個(gè)維度的性格特征，分別是因素A-樂群性、因素B-聰慧性、因素C-穩(wěn)定性、因素E-恃強(qiáng)性、因素F-興奮性、因素G-有恒性、因素H-敢為性、因素I-敏感性、因素L-懷疑性、因素M-幻想性、因素N-世故性、因素O-憂慮性、因素Q1--實(shí)驗(yàn)性、因素Q2--獨(dú)立性、因素Q3--自律性、因素Q4--緊張性；而大五人格測(cè)驗(yàn)包含五個(gè)維度的性格特征，分別是外傾性、神經(jīng)質(zhì)或情緒穩(wěn)定性、開放性、隨和性、盡責(zé)性。

針對(duì)步驟S3，建立學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)模型和性格特征數(shù)據(jù)模型可以通過以下方式實(shí)現(xiàn)：將學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格測(cè)評(píng)結(jié)果作為性格特征評(píng)估系統(tǒng)的訓(xùn)練集，性格特征評(píng)估系統(tǒng)使用訓(xùn)練集進(jìn)行學(xué)習(xí)，調(diào)整各種類型的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與不同類型的性格特征的相關(guān)系數(shù)，產(chǎn)生新的各種類型的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與不同類型的性格特征的相關(guān)關(guān)系與相關(guān)系數(shù)，形成學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征相互關(guān)系的穩(wěn)定模型，并將其儲(chǔ)存進(jìn)入數(shù)據(jù)庫(kù)。當(dāng)相關(guān)系數(shù)穩(wěn)定后，性格特征評(píng)估系統(tǒng)根據(jù)新學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)輸出新學(xué)習(xí)者的性格特征。

針對(duì)步驟S4，的數(shù)據(jù)數(shù)學(xué)算法為包含聚類分析算法S41、關(guān)聯(lián)規(guī)則法S42、回歸分析法S43、BP神經(jīng)網(wǎng)絡(luò)模型S44、支持向量機(jī)S46的數(shù)據(jù)挖掘算法，實(shí)施步驟可以通過以下方式實(shí)現(xiàn)：

針對(duì)步驟S41，在進(jìn)行聚類分析算法運(yùn)算時(shí)，聚類分析算法將學(xué)習(xí)者的表現(xiàn)數(shù)據(jù)類型進(jìn)行相似性比較，將比較相似的個(gè)體性格特征歸為同一組數(shù)據(jù)庫(kù)，采用以下步驟：

（1）選取性格特征作為初始的聚類中心；

（2）輸入學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)和性格特征的測(cè)試結(jié)果；

（3）計(jì)算學(xué)習(xí)表現(xiàn)數(shù)據(jù)類型與各個(gè)性格特征聚類中心之間的距離，使誤差平方和局部最小，并將距離用統(tǒng)一量化的手段給出，把學(xué)習(xí)表現(xiàn)數(shù)據(jù)類型與性格特征之間距離小于閾值的分配給相應(yīng)的性格特征聚類中心，得到的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征之間的分配關(guān)系與距離；

（4）用新的數(shù)據(jù)重復(fù)（1）、（2）、（3）的操作，待相關(guān)系數(shù)穩(wěn)定后，得到穩(wěn)定的數(shù)學(xué)模型；

（5）然后將新的學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)數(shù)據(jù)輸入到性格特征評(píng)估系統(tǒng)，可得出新學(xué)習(xí)者的性格特征。

比如：首先計(jì)算學(xué)習(xí)表現(xiàn)數(shù)據(jù)中遲到的次數(shù)，早退的次數(shù)，破損儀器數(shù)量多少等與各類性格特征之間的距離，其中對(duì)于“敢為性”這種性格來說只有遲到的次數(shù)，早退的次數(shù)，損儀器數(shù)量多少，作業(yè)誠(chéng)信度，上課玩手機(jī)，上課睡覺，儀器賠償及時(shí)與否之間的距離小于閾值，所以認(rèn)定“敢為性”只與這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)存在相關(guān)性關(guān)聯(lián)，并且根據(jù)算出的距離按照比例得到對(duì)于“敢為性”遲到次數(shù)占25%，早退的次數(shù)占20%，作業(yè)誠(chéng)信度占5%，上課玩手機(jī)占8%，損壞儀器數(shù)量多少占13%，儀器賠償及時(shí)與否占15%，上課睡覺12%，其余學(xué)習(xí)表現(xiàn)數(shù)據(jù)均小于2%的閾值，所以不作為考慮因素。

同理，對(duì)于遲到的次數(shù)這一學(xué)習(xí)表現(xiàn)數(shù)據(jù)，計(jì)算其與各類性格特征之間的距離，其中對(duì)于遲到次數(shù)這一學(xué)習(xí)表現(xiàn)數(shù)據(jù)來說，只有敢為性，恃強(qiáng)性，穩(wěn)定性，有恒性，實(shí)驗(yàn)性，自律性之間的距離小于閾值，所以認(rèn)為遲到次數(shù)只與這些性格特征有關(guān)，并且根據(jù)算出的距離按照比例得到對(duì)于遲到次數(shù)這一學(xué)習(xí)表現(xiàn)數(shù)據(jù)得到敢為性占35%，恃強(qiáng)性占25%，穩(wěn)定性占15%，有恒性8%，實(shí)驗(yàn)性占5%，自律性6%，其余性格特征均小于2%的閾值，所以不作為考慮因素。

以此為例可以找到任意一個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與其余性格特征之間的相關(guān)性關(guān)系，也可以找到任意一個(gè)性格特征與其余學(xué)習(xí)表現(xiàn)數(shù)據(jù)之間的相關(guān)性關(guān)系。

針對(duì)步驟S42，可以通過以下方式實(shí)現(xiàn)：關(guān)聯(lián)規(guī)則法將不同的性格特征關(guān)聯(lián)起來，當(dāng)個(gè)體表現(xiàn)出一種性格特征時(shí)，則可推斷其他性格特征，關(guān)聯(lián)規(guī)則法數(shù)據(jù)之間的簡(jiǎn)單的聯(lián)系規(guī)則，是指數(shù)據(jù)之間的相互依賴關(guān)系，比如性格特征敢為性與遲到的次數(shù)，早退的次數(shù)，損儀器數(shù)量多少，作業(yè)誠(chéng)信度，上課玩手機(jī)，上課睡覺，儀器賠償及時(shí)與否這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)有著很強(qiáng)的關(guān)聯(lián)特征，也就是當(dāng)這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)有著很高的特點(diǎn)是，則被測(cè)者是有著敢為性的性格特征的。對(duì)于遲到的次數(shù)這一學(xué)習(xí)表現(xiàn)數(shù)據(jù)，與其相關(guān)聯(lián)的性格特征為敢為性，恃強(qiáng)性，穩(wěn)定性，有恒性，實(shí)驗(yàn)性，自律性。當(dāng)被測(cè)者遲到次數(shù)較多時(shí)，我們認(rèn)為他的性格特征與敢為性，恃強(qiáng)性，穩(wěn)定性，有恒性，實(shí)驗(yàn)性，自律性有關(guān)。

補(bǔ)充用這種方法的核心步驟

針對(duì)步驟S43，可以通過以下方式實(shí)現(xiàn)，首先數(shù)學(xué)模型，用最小二乘法估計(jì)確定同類型的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某些性格特征之間的定量關(guān)系式，采用逐步回歸、向前回歸和向后回歸方法計(jì)算某個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某個(gè)性格特征的相關(guān)性參數(shù)來判斷某個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與某個(gè)性格特征之間的影響是否顯著。具體地來說，利用一組同類型學(xué)習(xí)表現(xiàn)數(shù)據(jù)，確定其與某些性格特征之間的定量關(guān)系式，即建立數(shù)學(xué)模型用最小二乘法估計(jì)其中的相關(guān)性參數(shù)；在許多學(xué)習(xí)表現(xiàn)數(shù)據(jù)共同影響著一個(gè)性格特征的關(guān)系中，用逐步回歸、向前回歸和向后回歸方法判斷哪個(gè)（或哪些）學(xué)習(xí)表現(xiàn)數(shù)據(jù)的影響是顯著的，哪些學(xué)習(xí)表現(xiàn)數(shù)據(jù)的影響是不顯著的，將影響顯著的學(xué)習(xí)表現(xiàn)數(shù)據(jù)帶入模型中，而剔除影響不顯著的變量；用新的數(shù)據(jù)對(duì)這些關(guān)系式的可信程度進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果在誤差允許范圍內(nèi)即可利用所求的關(guān)系式對(duì)新的學(xué)習(xí)表現(xiàn)數(shù)據(jù)得到的性格特征進(jìn)行預(yù)測(cè)或控制。

比如：對(duì)于無故曠課，多次請(qǐng)假，遲到，早退，上課說話，上課玩手機(jī)，上課吃東西，上課看與學(xué)科內(nèi)容無關(guān)的書，上課睡覺，上課坐姿不端正，預(yù)習(xí)答題狀況是否良好，答題用時(shí)長(zhǎng)短，預(yù)習(xí)答題時(shí)間的早晚，實(shí)驗(yàn)前儀器樣品狀況確認(rèn)與否，破損儀器數(shù)量多少，破損儀器時(shí)間，儀器破損上報(bào)情況，儀器賠償及時(shí)與否，儀器歸放情況，實(shí)驗(yàn)完成用時(shí)長(zhǎng)短，實(shí)驗(yàn)過程操作規(guī)范程度，實(shí)驗(yàn)過程中的紀(jì)律遵守情況，試驗(yàn)后衛(wèi)生打掃情況，原始實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確度，原始實(shí)驗(yàn)數(shù)據(jù)有無抄襲現(xiàn)象，實(shí)驗(yàn)報(bào)告的質(zhì)量高低，作業(yè)成績(jī)，作業(yè)用時(shí)，上交時(shí)間，上交次數(shù)，作業(yè)誠(chéng)信，考試成績(jī)，考試用時(shí)，考試誠(chéng)信等學(xué)習(xí)表現(xiàn)數(shù)據(jù)，這些共同影響著敢為性這一性格特征，將這些數(shù)據(jù)用逐步回歸、向前回歸和向后回歸方法計(jì)算這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)與敢為性這一性格特征的相關(guān)性參數(shù)，從而判斷這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)與敢為性這一性格特征之間的影響是否顯著，經(jīng)計(jì)算相關(guān)性參數(shù)，發(fā)現(xiàn)只有遲到的次數(shù)，早退的次數(shù)，損儀器數(shù)量多少，作業(yè)誠(chéng)信度，上課玩手機(jī)，上課睡覺，儀器賠償及時(shí)與否存在明顯的相關(guān)關(guān)系，其余學(xué)習(xí)表現(xiàn)數(shù)據(jù)并未有顯著相關(guān)關(guān)系，所以僅考慮遲到的次數(shù)，早退的次數(shù)，損儀器數(shù)量多少，作業(yè)誠(chéng)信度，上課玩手機(jī)，上課睡覺，儀器賠償及時(shí)與否與敢為性這一性格特征之間的相關(guān)性。同理，我們可以做出任意一個(gè)性格特征所對(duì)應(yīng)的與其顯著的學(xué)習(xí)表現(xiàn)數(shù)據(jù)。

針對(duì)步驟S44，BP神經(jīng)網(wǎng)絡(luò)法對(duì)所有的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征綜合分析，采用最速下降法，沿距離梯度下降的方向求解極小值，經(jīng)過不斷的迭代與修正得出所有的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征之間存在的最短距離，最端距離代表與學(xué)習(xí)表現(xiàn)數(shù)據(jù)相關(guān)的性格特征。具體地來說，將所有的學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征綜合分析，由之前算法可以得到所有的數(shù)據(jù)與特征之間存在的距離，并且相關(guān)性越近，距離越短，所以在綜合分析時(shí)，我們采用最速下降法，沿距離梯度下降的方向求解極小值，經(jīng)過不斷的迭代與修正得到對(duì)于某一性格特征與其相關(guān)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)所產(chǎn)生的“最短距離方式”，也可以求出對(duì)與某一學(xué)習(xí)表現(xiàn)數(shù)據(jù)與其對(duì)應(yīng)的性格特征產(chǎn)生的“最短距離方式”，比如對(duì)于敢為性，所產(chǎn)生的最短距離代表的學(xué)習(xí)表現(xiàn)數(shù)據(jù)為遲到的次數(shù)，早退的次數(shù)，損儀器數(shù)量多少，作業(yè)誠(chéng)信度，上課玩手機(jī)，上課睡覺，儀器賠償及時(shí)與否。對(duì)于遲到的次數(shù)這一學(xué)習(xí)表現(xiàn)數(shù)據(jù)，所產(chǎn)生的最短距離代表的性格特征為敢為性，恃強(qiáng)性，穩(wěn)定性，有恒性，實(shí)驗(yàn)性，自律性。

針對(duì)步驟S45，可以通過以下方式實(shí)現(xiàn)，比如，我們已經(jīng)得到各個(gè)學(xué)習(xí)表現(xiàn)數(shù)據(jù)與性格特征之間的概率，判斷取哪些學(xué)習(xí)表現(xiàn)數(shù)據(jù)與其中某一個(gè)性格特征合適。我們想得到獨(dú)立性相關(guān)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)，則獨(dú)立性為決策點(diǎn)，這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)為狀態(tài)節(jié)點(diǎn)，并標(biāo)明每一數(shù)據(jù)特征與其之間的概率，用遞歸式對(duì)數(shù)進(jìn)行修剪，得到最優(yōu)的路徑。我們得到與獨(dú)立性相關(guān)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)為早退，上課看與學(xué)科內(nèi)容無關(guān)的書，上課睡覺，上課坐姿不端正，預(yù)習(xí)答題時(shí)間的早晚，儀器歸放情況，實(shí)驗(yàn)過程操作規(guī)范程度這些學(xué)習(xí)表現(xiàn)數(shù)據(jù)有著最優(yōu)的關(guān)系，其將學(xué)習(xí)表現(xiàn)數(shù)據(jù)分類，將不同類型學(xué)習(xí)表現(xiàn)數(shù)據(jù)更清楚地表示出來。

比如這樣的：

針對(duì)步驟S46，可以通過以下方式實(shí)現(xiàn)，其能夠建立起與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以根據(jù)有限的樣本信息在模型的復(fù)雜性（即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折中，以求獲得最好的推廣能力。比如：我們有很多學(xué)習(xí)表現(xiàn)數(shù)據(jù)，以及提煉出的性格特征，確定他們之間的映射關(guān)系，與神經(jīng)網(wǎng)絡(luò)類似，計(jì)算某一性格特征與其相關(guān)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)所產(chǎn)生的“最短距離方式”，經(jīng)過不斷的迭代運(yùn)算，最終得到比如對(duì)于獨(dú)立性這一性格特征來說，與其相關(guān)性較強(qiáng)的學(xué)習(xí)表現(xiàn)數(shù)據(jù)為早退，上課看與學(xué)科內(nèi)容無關(guān)的書，上課睡覺，上課坐姿不端正，預(yù)習(xí)答題時(shí)間的早晚，儀器歸放情況，實(shí)驗(yàn)過程操作規(guī)范程度。

二、非負(fù)矩陣分解

把一個(gè)學(xué)期10名同學(xué)的請(qǐng)假、曠課、遲到、上課說話和上課睡覺的數(shù)據(jù)匯總為一個(gè)訓(xùn)練集，統(tǒng)計(jì)數(shù)據(jù)如表1所示:

表1訓(xùn)練集

問題描述：就是建立100個(gè)不同類型的定量參數(shù)和10個(gè)另外類型的定量參數(shù)的相關(guān)關(guān)系和強(qiáng)度。那100個(gè)參數(shù)之間和那10個(gè)參數(shù)是多對(duì)多關(guān)系。但是不知道具體的相關(guān)關(guān)系和強(qiáng)度。有數(shù)據(jù)集用來學(xué)習(xí)和驗(yàn)證，相關(guān)關(guān)系和強(qiáng)度穩(wěn)定后進(jìn)行應(yīng)用。

前五列數(shù)據(jù)屬于100個(gè)不同類型的定量參數(shù)，后四列數(shù)據(jù)屬于10個(gè)另外類型的定量參數(shù)，找前五列數(shù)據(jù)和后四列數(shù)據(jù)的相關(guān)關(guān)系和強(qiáng)度。

要求：進(jìn)行一個(gè)聚類分析。只需要寫清過程，不需要具體計(jì)算。

問題分析：根據(jù)問題描述，可以使用非負(fù)矩陣分解算法來解決這個(gè)問題。

具體分析過程：

1.非負(fù)矩陣分解算法發(fā)展歷史

它是一種新的矩陣分解算法，最早是1994年由Paatero和Tapper等人提出的,當(dāng)時(shí)這個(gè)算法叫正矩陣分解,直到1999年, Lee和Seung在Nature上發(fā)表了他們對(duì)矩陣分解的研究，才逐漸引起廣大研究學(xué)者的興趣，發(fā)展到現(xiàn)在，矩陣分解方法已經(jīng)應(yīng)用到很多領(lǐng)域。

2.矩陣分解理論

假定給定一個(gè)原數(shù)據(jù)，用非負(fù)的數(shù)據(jù)矩陣（差異矩陣）進(jìn)行表示，將其分解為兩個(gè)非負(fù)矩陣（基矩陣）和（系數(shù)矩陣）的乘積，并且乘積要盡可能的逼近原來的矩陣，即（k << m, n）。非負(fù)矩陣分解模型可以表示為以下的優(yōu)化問題：

需要使用一下迭代公式來求得W和H

3.非負(fù)矩陣分解算法應(yīng)用到以上問題中

（1）首先是原始矩陣的構(gòu)造：在這個(gè)問題中，我們構(gòu)建矩陣數(shù)據(jù)矩陣（屬性-對(duì)象矩陣），10行5列的數(shù)據(jù)矩陣。如下所示：

其中，一行代表一名學(xué)生（對(duì)象），一列代表一個(gè)屬性（是否請(qǐng)假、無故曠課、遲到、上課說話、上課睡覺）。

（2）對(duì)這個(gè)矩陣進(jìn)行矩陣分解，其中k值選擇為4，W和H用隨機(jī)初始化，其中每個(gè)值都在0-1之間。W和H按照上面的迭代公式進(jìn)行求解，迭代次數(shù)設(shè)置為1000。

（3）矩陣分解之后，用矩陣W和H進(jìn)行聚類分析。

迭代1000次之后，得到基矩陣和系數(shù)矩陣

基矩陣：

由系數(shù)矩陣可得到前五列和后四列關(guān)系，權(quán)重可以看作是強(qiáng)度。

三、來源于創(chuàng)青春比賽

1、apriori關(guān)聯(lián):

>library(arules)

>xingge=read.csv("guanlian.csv",header=T) 

#值得注意的是，"guanlian.csv"從一個(gè)數(shù)值矩陣轉(zhuǎn)                                                     #換為0-1矩陣，再?gòu)?-1矩陣轉(zhuǎn)為邏輯型矩陣，即                                                     #0：FALSE，1：TRUE。

[1]"QJ" "KK" "CD" "SH" "SJ""Q1"

>data(list=xingge)

Therewere 30 warnings (use warnings() to see them)

>mode(xingge)

[1]"list"

>rules=apriori(xingge,parameter=list(support=0.3,confidence=0.4))

Apriori

Parameterspecification:

confidence minval smax aremaval originalSupport maxtime support minlen

0.40.11 none FALSETRUE50.31

maxlen targetext

10rules FALSE

Algorithmiccontrol:

filter tree heap memopt load sort verbose

0.1 TRUE TRUEFALSE TRUE2TRUE

Absoluteminimum support count: 3

set itemappearances ...[0 item(s)] done [0.00s].

settransactions ...[9 item(s), 10 transaction(s)] done [0.00s].

sortingand recoding items ... [9 item(s)] done [0.00s].

creatingtransaction tree ... done [0.00s].

checkingsubsets of size 1 2 3 4 5 6 done [0.00s].

writing... [320 rule(s)] done [0.00s].

creatingS4 object... done [0.00s].

>summary(rules)

set of320 rules

rulelength distribution (lhs + rhs):sizes

123456

748108 106456

Min. 1st Qu.MedianMean 3rd Qu.Max.

1.0003.0003.0003.4754.0006.000

summaryof quality measures:

supportconfidencelift

Min.:0.3000Min.:0.4000Min.:0.8163

1st Qu.:0.30001st Qu.:0.69171st Qu.:1.0000

Median :0.4000Median :1.0000Median :1.0000

Mean:0.4363Mean:0.8366Mean:1.0489

3rd Qu.:0.50003rd Qu.:1.00003rd Qu.:1.0179

Max.:1.0000Max.:1.0000Max.:1.4286

mininginfo:

data ntransactions support confidence

xingge100.30.4

>frequentsets=eclat(xingge,parameter=list(support=0.3,maxlen=10))

Eclat

parameterspecification:

tidLists support minlen maxlentargetext

FALSE0.3110 frequent itemsets FALSE

algorithmiccontrol:

sparse sort verbose

7-2TRUE

Absoluteminimum support count: 3

createitemset ...

settransactions ...[9 item(s), 10 transaction(s)] done [0.00s].

sortingand recoding items ... [9 item(s)] done [0.00s].

creatingbit matrix ... [9 row(s), 10 column(s)] done [0.00s].

writing... [111 set(s)] done [0.00s].

CreatingS4 object... done [0.00s].

>inspect(frequentsets[1:10])

itemssupport

[1]{QJ=TURE,KK=TURE,CD=TURE,SH=TURE,Q1=TURE} 0.3

[2]{QJ=TURE,KK=TURE,SH=TURE,Q1=TURE}0.3

[3]{KK=TURE,CD=TURE,SH=TURE,Q1=TURE}0.3

[4]{QJ=TURE,KK=TURE,CD=TURE,Q1=TURE}0.3

[5]{QJ=TURE,KK=TURE,Q1=TURE}0.3

[6]{KK=TURE,CD=TURE,Q1=TURE}0.3

[7]{KK=TURE,SH=TURE,Q1=TURE}0.3

[8]{QJ=TURE,CD=TURE,SH=TURE,Q1=TURE}0.3

[9]{QJ=TURE,SH=TURE,Q1=TURE}0.3

[10] {CD=TURE,SH=TURE,Q1=TURE}0.3

2、Bayes

>data<-matrix(c("A1","B2","B3","B4","B5","no",

+"B1","A2","B3","B4","B5","no",

+"B1","B2","B3","B4","A5","no",

+"B1","B2","B3","A4","B5","no"),byrow=TRUE,

+nrow=4,ncol=6)

> data

[,1] [,2] [,3] [,4] [,5][,6]

[1,] "A1" "B2" "B3" "B4""B5" "no"

[2,] "B1" "A2" "B3" "B4""B5" "no"

[3,] "B1" "B2" "B3" "B4""A5" "no"

[4,] "B1" "B2" "B3" "A4""B5" "no"

> library("e1071")

> library("foreign")

>prior.yes=sum(data[,6]=="yes")/length(data[,6])

> prior.yes

[1] 0

>prior.no=sum(data[,6]=="no")/length(data[,6])

> prior.no

[1] 1

(第一種函數(shù))

> naive.bayes.prediction<-function(condition.vec){

+G.yes<-sum((data[,1]==condition.vec[1])&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+sum((data[,1]==condition.vec[2])&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+sum((data[,1]==condition.vec[3])&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+sum((data[,1]==condition.vec[4])&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+sum((data[,1]==condition.vec[5])&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+prior.yes

+G.no<-sum((data[,1]==condition.vec[1])&(data[,5]=="no"))/sum(data[,5]=="no")*

+sum((data[,1]==condition.vec[2])&(data[,5]=="no"))/sum(data[,5]=="no")*

+sum((data[,1]==condition.vec[3])&(data[,5]=="no"))/sum(data[,5]=="no")*

+sum((data[,1]==condition.vec[4])&(data[,5]=="no"))/sum(data[,5]=="no")*

+sum((data[,1]==condition.vec[5])&(data[,5]=="no"))/sum(data[,5]=="no")*

+prior.no

+return(list(post.pr.yes=G.yes,post.pr.no=G.no,prediction=ifelse(G.yes>=G.yes,"yes","no")))

+}

>naive.bayes.prediction(c("A1","B2","B3","B4","B5"))

$post.pr.yes

[1] NaN

$post.pr.no

[1] NaN

$prediction

[1] NA

>naive.bayes.prediction(c("A1","A2","A3","A4","A5"))

$post.pr.yes

[1] NaN

$post.pr.no

[1] NaN

$prediction

[1] NA

(第二種函數(shù))

>naive.bayes.prediction<-function(condition.vec){

+ + +G.yes<-sum((data[,1]=="A1")&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+ + +sum((data[,1]=="A2")&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+ + +sum((data[,1]=="A3")&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+ + +sum((data[,1]=="A4")&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+ + +sum((data[,1]=="A5")&(data[,5]=="yes"))/sum(data[,5]=="yes")*

+ + +prior.yes

+ + +G.no<-sum((data[,1]=="B1")&(data[,5]=="no"))/sum(data[,5]=="no")*

+ + +sum((data[,1]=="B2")&(data[,5]=="no"))/sum(data[,5]=="no")*

+ + +sum((data[,1]=="B3")&(data[,5]=="no"))/sum(data[,5]=="no")*

+ + +sum((data[,1]=="B4")&(data[,5]=="no"))/sum(data[,5]=="no")*

+ + +sum((data[,1]=="B5")&(data[,5]=="no"))/sum(data[,5]=="no")*

+ + +prior.no

+ + +return(list(post.pr.yes=G.yes,post.pr.no=G.no,prediction=ifelse(G.yes>=G.yes,"yes","no")))

+}

>naive.bayes.prediction(c("A1","A2","A3","A4","A5"))

Error in ++G.yes <- sum((data[, 1] == "A1") &(data[, 5] == "yes"))/sum(data[,:

找不到對(duì)象'G.yes'

>naive.bayes.prediction(c("A1","B2","B3","B4","B5"))

Error in ++G.yes <- sum((data[, 1] == "A1") &(data[, 5] == "yes"))/sum(data[,:

找不到對(duì)象'G.yes'

3、K-means:

> data(iris)

> head(iris,n=6)

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

15.13.51.40.2setosa

24.93.01.40.2setosa

34.73.21.30.2setosa

44.63.11.50.2setosa

55.03.61.40.2setosa

65.43.91.70.4setosa

> install.packages("fpc")

> library(fpc)#估計(jì)輪廓系數(shù)

>norm<-function(x){(x-mean(x))/(sqry(var(x)))}

>norm<-function(x){(x-mean(x))/(sqrt(var(x)))}

> raw.data<-iris[,1:4]

>norm.data<-data.frame(sl=norm(raw.data[,1]),sw=(raw.data[,2]),pl=(raw.data[,3]),pw=(raw.data[,4]))

>k<-2:10

> round<-40

> rst<-sapply(k,function(i)#輪廓系數(shù)

+ {

+ print(paste("k=",i))

+ mean(sapply(1:round,function(r){

+ print(paste("Round",r))

+ result<-kmeans(norm.data,i)

+stats<-cluster.stats(dist(norm.data),result$cluster)

+ stats$avg.silwidth

+ }))

+ })

[1] "k= 2"

[1] "Round 1"

[1] "Round 2"

[1] "Round 3"

[1] "Round 4"

[1] "Round 5"

[1] "Round 6"

[1] "Round 7"

[1] "Round 8"

[1] "Round 9"

[1] "Round 10"

[1] "Round 11"

[1] "Round 12"

[1] "Round 13"

[1] "Round 14"

[1] "Round 15"

[1] "Round 16"

[1] "Round 17"

[1] "Round 18"

[1] "Round 19"

[1] "Round 20"

[1] "Round 21"

[1] "Round 22"

[1] "Round 23"

[1] "Round 24"

[1] "Round 25"

[1] "Round 26"

[1] "Round 27"

[1] "Round 28"

[1] "Round 29"

[1] "Round 30"

[1] "Round 31"

…….

> plot(k,rst,type='l',main='輪廓系數(shù)與k的關(guān)系'，ylab='輪廓系數(shù)')

> plot(k,rst)

> old.par<-par(mfrow=c(1,2))

> k=2

> clu<-kmeans(norm.data,k)

>mds=cmdscale(dist(norm.data,method="euclidean"))

> plot(mds,col=clu$cluster,main='kmeans聚類k=2',pch=19)

> plot(mds,col=iris$Species,main='原始聚類',pch=19)

> par(old.par)