文摘
儿童早期教育的程度和水平的重要保障展示一个国家的总体规划机制是否合理,是否教育系统是完美的,人民生活是否和谐,国家质量能否可持续发展。美国体育和体育协会,这是在体育世界的领先水平,形成了一个先进的高质量的儿童体育系统的基础上,其长期职业发展。协会为儿童提供了科学和适当的体育活动,这不仅是一个必要的前提,确保正常的身体发育和儿童身心健康发展也是幼儿园教学的一个重要方面。因此,大量的数据积累在儿童体育的发展,它是促进儿童体育建设的现实意义,挖掘这些数据背后隐藏的知识,为人们提供帮助的决策。早在1988年,第十届世界大会的世界联盟未来的研究中,来自世界各地的专家讨论的结果“孩子的未来”,普遍认为,“孩子们基本的人力资源,”和创建一个有利于自己发展的世界应该是公认的区域和全球优先措施。在本文中,研究了决策树算法在DM,,结合教育管理信息数据的特点,分类规则的挖掘教育信息和ID3算法进行了分析。
1。介绍
幼儿园体育活动不仅是一个孩子的全面和谐发展教育的有机组成部分,也是幼儿园健康教育的重要内容之一1]。大量数据已经在幼儿园的教学和管理积累了许多年。目前,这些数据没有被有效的利用,但只是一个“宝藏”开发(2]。幼儿园体育活动不仅可以促进儿童身体和认知的发展,也促进儿童良好性格的形成和提高孩子的社会适应能力3]。体育(PE)的选择活动和项目基本上可以满足儿童身心发展的需要。然而,有一定的随机性和肤浅的主导地位,这是不利于孩子的运动(4]。因此,数据挖掘(DM)可以隐藏在大量的数据中获取有价值的信息的数据,已被应用在越来越多的领域,取得了良好的效果,并提供了很大帮助人们做出正确的决定。因此,培养优秀人才与政治诚信和能力是现代化的必然要求5]。此外,随着社会经济的快速发展,人们的物质生活有了很大提高,但它也使我们的生活节奏越来越快,竞争环境更加激烈6]。完成体育课程考试后,教师应把nonpercentile成绩记录在分钟,秒,米等成百分比分数根据国家标准,学生的身体健康,同时,每个教师都应该记录他的分数转换成学术事务办公室的教务管理软件(7]。大量的数据和繁琐的数据处理和转换工作,以及数据处理和分析问题,提高体育教师的工作负载和限制他们的工作效率8]。因此,面对教育改革的深入发展,迫切需要制定相应的对策。
因此,决策树学习算法中起着非常重要的作用在DM技术(9]。作为一种重要的技术手段在DM,决策树算法集机器学习、数据统计、智能数据库,神经网络,和其他技术10]。通过该算法,挖掘潜在的数据相关的影响因素和理想的现代教学评价的数据库模型可以提供教育管理和决策11]。决策树可以处理多维数据,发现规则易于理解(12]。在过去,数据信息仅用于常规数据记录和统计分类,但现在DM技术不仅用于日常学生信息统计,教学任务记录,和数据存储,还包括用于管理数据,过程和分析大量的信息,发现数据之间的关系,并为教学管理提供强有力的教学策略(13]。然而,从根本上来说,幼儿园体育活动的必要性是由儿童的身心发展需求14]。积累的大量数据统计分析,在教学过程中要求教师使用一定的时间和精力来总结这学期在教学和实践中存在的问题。
因此,我们在体育课课堂教学评价的因素,找出影响体育课堂教学的质量,以提高体育课的教学,提高体育课堂教学的水平。现代学前教育健康科学的研究表明,学龄前儿童的身体仍在第一个生理发展的高速时期。除了一般的身高和体重增加,各种组织和器官也取得了很大的进步在它们的功能(15]。与此同时,社会人才的要求也发生了变化,要求人们不仅要有高超的智慧,还要有健康的和协调的身体素质,心理素质,良好的社会适应能力。此外,中国青少年的体质呈下降趋势。这一事实已经引起了我国政府的高度重视和有关领导。因此,我们应该结合学校的教学数据信息,引进先进的网络信息技术,并应用到学校教育管理、教学评估、无纸化考试,教学记录,学生归纳学习和教师的教学技术分析。这个巨大的数据量,通过DM技术,分析了幼儿园教学管理和教学活动,以提高学校教学管理和优化教学过程,提高教育教学的质量。
2。相关工作
文献[16]讨论了主成分分析方法用于评价学生综合成绩。文献[17]讨论了体育教学和体育舞蹈教学方法的概念,提出了建立在幼儿园公共体育舞蹈教学方法体系。文献[18)使用基于决策树分类挖掘方法分析学生成绩数据库中的数据和算法适用于构建专业学生成绩分析能力决策树模型,这样老师和学校教育决策者可以了解教学中存在的问题,以便使用成就所提供的信息来优化教育教学的计划和决策。文献[19)提出了“周期性循环”理论通过体育教学材料水平,垂直分裂体育教学项目和内容根据学生身心发展的特点,建立一个新系统的体育实践教学内容。文献[20.,21]心理研究方法引入到公共体育教学研究在幼儿园。文献[22)提出了一种多策略设计理念、DM技术与统计分析相结合,采用基于决策树分类挖掘方法,分析学生成绩数据库中的数据,并生成学生成绩决策树,可以直观地显示某种成就的位置在不同等级的计算方法和教学部门提供评价信息。文献[23,24]介绍了经典的先天的关联规则算法和著名的ID3决策树算法和使用关联规则算法我卓越的影响其他课程的一门课程。文献[25)使用孩子的表现特征数据,减少通过主成分分析特征数据的维度,并实现通过贝叶斯分类方向预测最近邻算法。
3所示。DM和决策树生成方法
3.1。DM的方法
DM技术涉及机器学习、模式识别、统计、智能数据库、知识获取、专家系统、数据可视化和高性能计算。DM过程如图1。
幼儿园体育教学活动是有计划,有目的的,和有组织的活动组织形式,将儿童体育锻炼为主要内容,激发孩子参与活动的兴趣,发展儿童的基本活动能力,提高孩子的身体素质,提高孩子的体格,和注重促进儿童认知、人格、社会发展。幼儿园体育教学活动主要包括体育教学目标、教学内容、教学组织形式、教学方法、教学评价、教学效果,和卫生监督(26]。DM是最关键的一步。在实际应用程序中,DM和这两个术语通常难以区分27]。在某种程度上,DM模型可以被看作是一个关系表由许多不同数据类型的列,其中一些输入列和其他预测列(28]。不同的和有针对性的课堂内容设计不同的儿童个体发展水平。年龄是有关运动的发展,但它并不是一个绝对的标准(29日]。进行分类主要是根据对象的属性和定义,以建立类组(30.]。不仅仅是选择的基础,组织和实施教学活动,而且幼儿园体育的评价参考标准。然而,DM模型不同于关系表,因为它没有存储行数据。相反,它存储的模式发现DM算法在关系表。有必要制定有效的观察根据过去的价值相关的对象的属性,以评价属性的未来价值。
信息的有效性要求开采数据挖掘之前应该仔细检查。只有通过确保信息的有效性或数据挖掘信息的有效性可以得到保证。可以认为,有效性是教学的核心组件,起指导的作用,监管、教学和评价的活动。在传统的数据分析方法,需要手动分析相关问题,而DM可以自动分析和基于大型数据库找到预测信息。最重要的是,获得的信息是可行的;信息或知识是有效的,实用的,可实现的业务讨论或研究领域。因为教学活动的目标是与特定的教学活动相关联的目标和最低目标的目标体系,应该是具体的、可操作的。
3.2。决策树的生成过程
通过分析和测试训练集数据,数据分类模型的建立研究问题。决策树分类的数据的过程中,首先,有必要分析和测试获得的数据训练集,建立的数据分类模型要解决的问题根据获得的数据分类,然后根据建立的决策树分类未知的数据。起初,所有的数据都在根节点,然后递归地将数据分为块。第二个是树修剪,删除一些数据可能噪声或异常。图2简要描述了决策树生成过程。
儿童的学习和发展是提升整体的方式,体育是集成到其他领域,和儿童的认知、情感和社会性发展通过运动体验。某些数据分类是通过差异和相似之处。分类的主要目的是属于同一类别的数据到一个类别,以减少不同类别的相似性尽可能多的数据。决策树技术是一种“贪婪”的搜索,它使用贪婪算法。它试图将每个属性值添加到左子树。如果你能找到更大的信息增益,然后将这个属性值添加到左子树;否则,返回它向右子树。建立一个树的过程中,因为噪音的数据集,很多决策树的分支反映训练集的异常,这些分支往往过度拟合的问题。此问题的解决方案是建立决策树修剪。根据获得的样本的数量,属性设置一个接一个地进行测试,和训练集进行分类的数据属性类别获得几个单词的训练集,在其中每个sub-training集作为nonleaf节点,循环和递归地执行,直到满足设定条件,形成树的叶节点,计算终止。 The basic idea of the application of decision tree method in kindergarten public PE practice teaching is to build a decision tree composed of the attribute values of each index through the decision tree method, sort the given index set, and find out the most important factors affecting children's PE practice teaching, so as to provide reference for children's PE practice teaching.
基于决策树学习算法有很多优势,如建立速度快、精度高、可以理解的规则,可以生成,相对少量的计算,可以处理连续值和离散值属性,和清楚地显示哪些属性的能力更重要。此外,用户不需要有很多背景知识学习过程;只要训练例子可以通过attribute-conclusion表达公式,我们可以使用该算法来学习。因此,形成分支反映训练集的异常情况,这很容易导致过度拟合数据的问题。因此,有必要清理构造决策树来删除异常分支和保证分类结果的准确性。
4所示。教育信息分类规则挖掘和ID3算法分析
4.1。分类规则挖掘
DM是使用相关算法和技术基于现有数据进行预测,使积极的和以知识为基础的决策。数据预处理主要是表单数据训练集元组的数据清洗、集成、选择、转换、分层和属性的概念。样本分类的信息熵
训练集元组的300个样本是随机抽样的随机种子,通过设置和有效的信息分为训练样本和测试样本通过随机选择的比例为95%和5%。每个属性的信息增益和信息增益率在图所示3。
该算法用于矿山数据集通过数据预处理过程。数据集成是将学生的基本信息和数据项问卷到数据集进行分析。分类系统,假设x数据样本集,x的数量是X,C是属性类别变量,n类别的总数,X我中包含的是样品的数量C我的概率,那么任何样本属于C我是
在传统意义上,数据汇总,平均,并执行方差和其他统计数据库和相关领域的的计算或统计结果生动、直观的方式,如直方图和饼图。在的水平一个= 0.05,三个统计上显著的变量筛选从32个变量建立的决策树模型分析影响因素幼儿园公共体育实践教学。图4显示了训练集的比较分析不同样本的变量。
DM主要关心的是讨论数据从数据的角度总结归纳。通过应用DM技术,建立一个有效的体育教学评价体系,分析了教学评价,和体育教学存在的缺陷,以改变教学计划,提高教学质量。通过使用关系数据库系统的查询和检索功能,结合统计分析处理,统计分析数据供决策参考。同时,DM模型必须描述相关的挖掘算法,任何现有的参数列表。把数据库参数作为分类属性,设置相关阈值和分类阈值。挖掘结果分类形式的if - then规则。挖掘结果如图5。
DM模型的评价是一个重要的元素,需要不断进行,其标准是符合国家和国家体育标准。我们应该监督和加强孩子们的体育学习通过定期评估和形成性评价和总结性评价相结合。每个评价单元应有利于实现高质量的体育。用户可以选择不同的数据集来我的学生成绩信息,学生基本信息,学生的综合信息。数据存储在一个数据库中的数据单元,和一个单一的数据不能表达的意思。集群是总结和合并这些分散的数据形成一个有意义的子集。在构建模型时,输入列选择自动编号,并输入列选择性别、年龄、体育课程,物理性能得分,体型得分,身体素质评价项目,和身体素质评价等级为“成就。“学生的分数除以学期挖掘数据。后,用户选择表和分类属性接口中开采,改进算法的相关分析将删除属性低于相关阈值根据一组相关阈值,用户也可以选择表中的非保密字段作为未分类属性挖掘的接口。让属性y有米不同的值;然后,Y的信息熵
这主要是因为在数据库中,数据的存储是最原始,不能表达特定的信息。整个DM模型就像一棵倒下的树,根在左边和右边的树枝。这个层次结构由如果>规则可以直观地描述节点。EIDT-DM算法计算未加密属性之间的相关性,根据设置相关闭值分类属性和删除属性小于阈值的相关性,以提高操作效率。为了有一个高层的理解和掌握这些数据,我们需要进行数据在不同级别的抽象操作,以满足不同用户的需求进行浏览和处理数据或图像。
4.2。分析决策树ID3算法
决策树ID3算法构造一个根据一组给定的数据行或数据对象的已知类别属性,然后使用决策树对未知类别的数据进行分类。通过选择信息增益最大的属性作为样本的测试属性,分支机构建立了这个属性的不同值,然后下一级节点和分支机构建立的决策树的递归地使用这种方法例如每个分支的子集,直到实例在一个子集属于同一类。在挖掘关联规则的过程中,最小的支持和信心被确定为0.2和0.5,和近似精确的规则生成。不同因素的支持和信心近似关联规则如图6和7。
相反,创建一个叶子节点来存储子集和类分布的样本子集。树修剪的过程中,创建的叶子节点作为替代品,找出最大的类别样本的分类属性子集作为叶子节点的分类属性的值。信息增益最大的属性被认为是当前最大的分辨率数据集的属性。该算法计算每个属性的信息增益,和最高的属性信息增益和给定的测试属性选择年代。带来的信息增益Y属性是
创建决策树的过程中,由于噪声的存在,在训练集,训练数据有异常分支。为了生成一个易于理解的决策树,需要修剪决策树分支用噪声overadaptation的一些分支机构解决问题。剩余分裂属性的信息熵计算,建立了决策树。建立决策树的过程中,计算合格率的功能是补充道。信息熵的比较结果之前和之后添加如图8。
点击不同的节点分析各种关系。第一个修剪方法是,在建立决策树的过程中,异常的分支机构,建立子节点直接停止,这不是形成异常分支。这个属性用于构造决策树的一个节点,和它所代表的属性的值都是测试在这个节点获取每个分支节点,将原始数据集划分为几个subdatasets。因此,最终的信息熵的计算公式
如果一个节点中包含的数据行相同的类别,决策树节点的叶子节点并标记为相应的类别。postpruning方法是删除一些异常分支建立决策树和使用后叶节点重新建立一个新的决策树。这个决策树施工过程会一直重复,直到所有节点不需要继续分支。给定节点所需的预期信息分类由以下公式给出:
DT-EIDM系统中,有三个布尔量子化方法,即等于量化一个固定的范围内,平等的量化与开采的最大和最小数据而不是固定范围的上限和下限,并量化的人数相等。不同的量化算法由于不同的方法会影响DM的结果。构建决策树尽可能小,关键是要选择合适的逻辑判断或属性。阈值的大小会影响到“0”和“1”的比例量化数据表。阈值的变化对DM结果有很大的影响。可以使用不同的阈值对矿业多次得到不同的分类规则集,可以选择和适当的规则集。创建节点的子链,每个子链代表一个独特的价值选择属性。postpruning方法采用基于最小误差原理;,生成的决策树是完全后,多余的分支切断,和一个新的决策树是通过使用叶节点。停止分割的有两个选项:一个节点属于同一类别的数据; no attributes can be used to segment data.
5。结论
幼儿园体育活动是幼儿园体育的重要组成部分,和基本组织形式实现儿童体育的总体目标。科学合理的体育活动对孩子是必要的教学在幼儿园工作。然而,在现实的教育实践中,它是远远不够的幼儿园了解和重视体育活动。因此,获得未知,有效和实用信息,规则,和知识通过DM方法没有明确的假设的基本特征是DM技术不同于传统的统计数据分析。有规则隐藏在数据学前儿童体育的发展。这些规则可以由不同的开采方法和规则可以根据不同条件下获得的。DM技术和决策树算法不仅提高传统的存储信息,但也发现数据之间的潜在的法律和价值观,为教育和教学管理提供科学依据,帮助学生学习和教学方法,教学的发展提供正确的决策依据。如何使计算机和网络技术为学校的日常体育教学是一个必然要求在今天的信息时代。幼儿园必须给予适当的体育活动根据儿童身心发展的特点和人类生理功能的变化规律,以促进儿童的健康发展身心健康。在这篇文章中,DM和决策树ID3算法用于学前儿童体育的发展。 Through the mining and analysis of survey data, we try to find the factors affecting the quality of children's PE classroom teaching, so as to provide scientific suggestions for the reform of preschool children's PE classroom teaching in the future.
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。