文摘
价值的保障和提高高等教育是一个永恒的循环结构和发展的大学。音乐训练指导的本质是因学校教育质量。利用显示质量评估工具是至关重要的,因为音乐教育的独一无二的浓度。摘要培养选树法对学校音乐培训指导质量评估文件框架。主会议和科学排名过程是利用决定评估框架的评估记录和重量音乐训练的本质。rearticulate它以一种意想不到的方式,本文围绕着树计算流选择和设计时,我们检查信息挖掘的假设。为了显示的价值和质量评价框架,我们建立了“选择树模型”和C4.5计算调整。为了创建一个选择决策树分类器,“我们主要是建立一个数据挖掘算法。模型的准确性和materialness被应用到年纪教室检查显示从125年讲师评估信息。在过去调查,关键动态将影响音乐教学教育者如何评估和特色,并根据这些发现,声音劝告。
1。介绍
当谈到显示质量评估策略,并决定如何引人注目的是一个音乐训练项目,预计一个体面的方式来检查,找出评估指针和注意到,收集、研究和解读评估信息。它是主要的元素在决定如何成功的音乐教学计划。毛库恩等人利用“倾向地图”创新生产开始评估指针的一个假设评估显示在高等教育质量评估的一个特征的高校音乐教育教学质量。在分析标记之间的关系时,我们使用的因素调查的策略,而在测量指标,我们使用洞察顺序的方法。显示创建质量管理框架,因为启动调查的综合评价决策树。在天津大学,这种方法是利用连续两年调查教育的本质,即。,过去的四个学期里1]。一个探索研究一年调查当前程序利用树选择创新的信息挖掘音乐教育质量评估体系。你应该提出解决政权利用评估战略选择树创新来保证工作制度更公平、合理,和强大的2]。替补的学习结果反映在各种各样的目标组件构成音乐教学的本质。音乐训练的一分之三的目标框架计划进一步发展替补的音乐同样幸福而给他们运动能力和发展中一个令人振奋的前景。指导所有那些可能实现这些目标,这样我们可以分开教育的本质。一些考试已经找到了一个坚实的联系完成音乐健康发展目标和解决物质的一个例子,决定显示目标,以及选择指导技术。此外,加强重要和棘手的部分运动能力,策划一个明智的年纪教室,并给予适当的评估是完全主导竞技能力的连接到一个明确的目标(3]。
因为systemicity和错综复杂的音乐学校和学院的培训,我们应该开始追求深远的评估内容和保证评估在评估周期的合理需要;同时,我们应该把每一个集合时间评估。的安排集中导航和判断取决于假设。最后客观定量评估方法的比例是经常使用。尽管如此,因为麻烦和缺乏定义,定量评价不能充分抓住和解决音乐教育指导的现状,所以一个混合定量和主观评价的方法将被利用来衡量学校音乐训练的本质。
2。相关工作
众多,信息基础勘探的主要领域是信息披露和信息挖掘。个人所有世界各地都开始理解它的重要性。Inmon等人提出的问题信息安排真的很照顾的开始阶段提出了仓库的信息信息挖掘;美国政府罚红杉2000项目作为一个信息调查仪器在巨大的数据集4]。超级巨大的信息基地的崛起是弗里德曼的后效的优势在信息挖掘改进,应用,研究1997年。无数的业务事业抓住这个商业活动。例如,银行使用企业信息(5)更可能理解和控制客户的恶名,倾向,购物者大脑研究然后改变他们的市场过程重要的提高他们的福利。这个想法学习框架很快利用选择树创新建立未来的选择树学习计算。在1970年代的最后一部分,昆兰认为可耻的ID3的计算。属性描述是用来决定分割特征涉及熵的概念从数据计算假设没有先例。用于管理巨大的范围的数据集的问题,这个过程享有特定的明确的好处。尽管如此,有一些明显的缺点。几个特色将比那些solitay值得优先选择分裂时中心。之后,昆兰更好的计算和编造了C4.5的计算,通常是利用今天。选择分割认为,利用C4.5计算数据获得比例衡量,这弥补了ID3计算未能处理持续的品质和失踪的品质一般。梅塔等人提出了SLIQ安排计算在1990年代末,这是快速和可定制的6]。拟议的SPRINT计算是一个多才多艺的平等归纳选择树计算像SLIQ7]。Rastogi等人介绍了公共的计算观点”将建筑/装饰”(8]。中国的信息挖掘研究不同国家的落后。目前认为清华大学和复旦大学承认中国的大学和学院完成关键假设和应用数据挖掘研究[9]。由于这些发现,我们国家取得了快速的进展。在中国,选择辫子已被广泛研究和调查,和结果可能伴随区域:提高精度是主要目标,减少的数量的选择可以是随后的目标,结合他人的创新与自己的第三个方法,第四阶段是编程确认。接受选择树softwarization是探索轴承之一。信息挖掘的使用在学校和学院组织的创新进展慢慢在我的国家10]。
3所示。方法
3.1。决策树的细节
3.1.1。介绍
决策树归纳学习策略,利用一群无组织的、零星的场合获得的清晰度类型的分组原则选择树(11,12]。决策树是一个树结构,类似于流程图由普通人在许多方面。每个区域中心对应于一个特定的价值,目标变量的标准运行从根叶的中心枢纽。
3.1.2。建立
树的年龄是稳步改善的结果。我们应该不断独立,把准备。分别发生在阶段,从树的根和进步。首先,在第一个例子信息收集、理想的特点是选为分割特征根中心针对一个特定的分割财产评估规则。同时,分支机构的限制是选为最佳分离相关的分割质量的标志。根据所选属性的一部分,我们分裂的关键部分。基本样本集是许多不相交的子集,可以产生不同的分支中心。分开每个最近创建的青年中心完成同样直到所有的叶子中心生产(13]。
3.1.3。指标
特征确定测量是一种选择分离模型和包括一个中心情况在决策树的时间开发。选择树ID3计算利用“数据获得”特征测定指标(14]。数据的含义根据以下。
是一个数据集。这些属于各种各样的分类。让我们假设总样本属于类的吗然后信息的样本值将被描述如下:
假设属性拥有值。属性可用于数据集年代划分为子集 。产生的信息价值然后分裂样例如下:
信息价值减少了分割数据集属性代表获得信息和属性的优势。
选择指标(15)是由决策树C4.5算法应用。信息增益率的表达式如下:
3.2。一致性检验
为了做出最好的判断与温和的单参考和获得不同的平衡,最重要的价值每个基本组织及其相关特征值的特征向量以这种方式解决,这是关键的数据收集记录层对目标层。具体进展有可能首先处理最无耻的“特征值ℷ_max”判断的晶格,后来利用配方ω=ℷ_maxω。解决部分向量ω对比与ℷ_max。后来标准化,ω关于堆成的一般意义相关的部分在一个类似的级别在早些时候一个变量(16]。
3.2.1之上。测试的一致性
它是评估的一致性矩阵。尽管很难要求所有决定是完全可预测的,应该做出决策一般稳定。因此,检查的可靠性和一致性判断矩阵”是很重要的。让我们计算的一致性文件CI“矩阵a。”
方程(5)表明,判断矩阵的顺序是由n。CI的价值为零(CI = 0)当一个拥有完整的一致性。矩阵的一致性将会越来越糟,CI的价值变得越来越大。确保矩阵是一致的,比较C1和平均随机一致性指标RI是必要的。表1显示了给定的RI值判断矩阵的顺序1 - 9。
国际扶轮是正式的1、2请求框架的一致性的解决 当n超过2。只是碰碰运气,CR < 0.1,判断网络的尊重是良好的一致性;如果不是,将继续完成正确的到的一致性。
3.3。总排名一致性检验
3.3.1。检查的一致性
一致性测试记录必须注册,以评估的全面布局的一致性事先请求。“一致性记录”,“普通零星记录一致性,”和“不一致的一致性程度”都是缩写词,RI,分别和CR。
在(6),是“一致性指数层”,对应于 。
在(7),被认为是“平均随机一致性测试的指标层”相对应 。
同样地,当CR≤0.1,发现计算结果完成定位的一致性。
3.4。收集的数据
(我)参与者。二十五(25)随机选择老师年轻、中年和老年人轴承位置像助理一样,讲师和教授。此外,35个学生也选择随机从每个老师的课。进行评估,教师使用音乐评价形式。(2)数据收集。主要采用问卷调查法在项目的研究过程,包括调查问卷的发放和恢复,经常发表不少于总数的70%是特定的百分比;否则,evocativeness信息没有实现。关于项目的调查问卷中的问题可以随时回答说。共有3824名学生问卷和3658册交付在这项研究中恢复过来。(iv)数据处理。个人信用的教练,比如年龄、学历、能力,在课堂上和替补的经验,会影响字符教育家自修室的指示,根据一些研究。学术事务办公室的数据“教育家的基本数据表JSJBXX”和表“JSKTPJ”相结合,和结果保存在表JSPJXX。当前部分主要描述了一个教练的计划周期的年纪教室,包括质量评估文件,以及信息的收集和处理过程。高于一切,掌握面试技巧,利用专家的专家的经验和信息,第一个标记都随着时间的改变而改变的方法要求的感情,最后班主任显示质量评估学校和学院的安排。
4所示。结果
4.1。教学评估
Prehandled表JSPJXX用于制备测试信息收集使用选择树计算建立树模型选择的评估学校教师的学习大厅展示其特性标准质量和焦点。以下是显式的进步的例子:(1)准备,数据描述将熵。首先,用方程来确定准备的日期进行分类,然后使用数据集的熵来确定每个特征的数据获取率。整个测试数量是80预备信息指数。”测试的数量以惊人的学分是23,测试的数量安排将是25,测试合格的分组的数量将是23和描述将是坏的,和测试的数量是9,”报告称。由于方程(1),我们得到 (2)确定每个属性子集的熵分离的数据估算。首先,该小组的评估数据熵例如“指示时代”的特征。有三种品质展示时代属性,这里重要的是确定每个特征的数据熵子群的价值。如果“教育时代”是“高”,有7为非凡的自修室显示信息测试执行,6好年纪教室显示执行信息测试,测试合格的班主任显示执行3信息,0为不幸的自修室指示执行。计算公式(2),
选择树的根中心。按照上面的评估中,对数据的请求获得每个特点是按以下的步伐:基础知识包括显示的影响,思维方式和策略。学位和标题可以显示年龄。根据“C4.5计算”,理想的安排是使用“替补基地”测试属性数据获取率最高的树的根中心选择的评估结果。结果,建立“替补”是用作测试建设选择树中的特点,并被指定为“替补建立”的选择树的根中心。如图1“替代组织”,双方分别是伟大的和一般,和记住,分区每个子集到分支机构类似的方法应用于两个素质和分支联系起来。
4.2。修剪
由于缺少信息,低和长期的关系,和长期不平衡选择树的分支,结论树的规模太大,处理系统是复杂的。我们应该断开选择适当的树。为了应付小想得到和相关性问题选择的树,我们使用post-pruning策略删除它17- - - - - -20.]。选择树修剪的目的是删除子树的叶子中心。它应该被替换;在案件,判决确定错误分类的比例与误分类的子树相比更大比例的一个叶子。
4.3。测试的分类
目前的研究包括五十评估以及相关的测试信息。评估的结果表明,足够的音乐教育质量检测方法,由决策树计算,是46,而荒谬的数量是4。图2显示了相关性,通过率是92%,显示在图3。
显然上述检查测试建议选择树模型有一个期望精度高,显示非常明智的开发和规划选择树模型研究综述。同时,提供测试规模足够大,获得的信息精确率也会提高,用尊重常识应用程序将会增加。
研究呈现“选择树C4.5计算,”利用“SQL Server”制定一个信息库,在MATLAB接口,摆出了一个选择树模型来评估音乐教学在中学和大学的本质,和利用率修剪修剪树的选择策略。选择树的修改更容易浏览其可能的规定,主要是通过添加条件计算,符合条件的可测信息记录添加到叶中心。在这一点上,使必要的规则。测试后,顺序规则准确率高和一个特定水平的相关性。根据检测的结论,提出了一些有用的思想和观点。提高学校教育工作者的本质的音乐指导和协助相关部门作出重要决策为音乐的质量保证培训工作指导在高校推进质量保证高校的音乐训练指导。它提供了一个独特的实际动机,激发学校音乐教育研究。
5。结论
选择树计算最近被用于各种行业。例如,它最初是用于军事等逐步扩大到前逻辑测试行业临床益处,公司的钱,和零售。这项工作组装树模型选择的学校教育工作者的本质的音乐训练和指导研究策略评估的性质学校教师音乐教学利用C4.5选择树计算在信息挖掘创新,而最新的东西显示我们的明白无误的承认选择树的利用率在教育已经开始计算;同样在中国,选择树的利用率计算在学校音乐教育是逐步扩大。另外发现显示互动的机会。在接下来的工作,重要的是扩大发展,给学校音乐训练可以实现的想法通过这种技术。
数据可用性
以合理要求,相应的作者将提供使用的数据集和分析在当前工作。
的利益冲突
作者宣称没有利益冲突。