文摘

大学审美教育可以帮助学生培养他们的审美情感,提高他们的艺术和创意能力,最大化他们的艺术和创造潜能,产生更多的和高质量的艺术作品。学生质量的审美能力是至关重要的,因为它能帮助他们更好地欣赏艺术作品的吸引力,提高他们的艺术教育,并推进其未来的增长和发展。因此,应高度重视各级大学审美教育和工作,逐步培养学生的情感,提高他们的审美能力。一个新的“大数据时代”已经成为扩大和广泛使用的结果,大量的数据需要存储和使用。有几种分类数据的广泛使用的方法,包括决策树、贝叶斯分类、贝叶斯网络、神经网络。为了更有效地发展学生的审美能力在大学审美教育教学活动中,高校审美教育对大学生的影响研究创新能力和艺术素养。这样做是基于一个决策树分类模型。根据实验结果,决策树模型的准确性显著增加偏好类同时保持相同级别的整体精度。决策树模型的f值在不同的数据集是提高了0.318和0.221,分别相比,支持向量机算法。创新能力在大学审美教育的发展是至关重要的发展学生的个性,改善学习习惯,提高审美素养,和开发综合能力。 As a result, we analyze the impact of university aesthetic education on college students’ innovation ability and artistic literacy using the decision tree classification model.

1。介绍

审美教育教学是一个重要的组成部分,大学课程在中国和一个至关重要的课程策略实现全面发展的目标高质量教育的道德、知识、美学、身体、和劳动技能(1]。创新是建立在学生的知识和经验。新课程将艺术课程的性质描述为“人文”和课程目标始终将“以人为本”的基本教育理念和“学生发展”指令(2]。因此,许多人现在认为选择一个更大的生活质量和品味是必需的,这要求我们集中精力发展和提高人们的审美能力3]。这是由于审美教育教学,被公认为最具生产力的领域之一鼓励创造力和一个很好的方式来培养学生的创新意识和能力4]。

教学对学生审美教育是最有效的和可靠的方式来培养他们的艺术创造力5]。术语“创造性思维”实际上指的是“构思新颖的过程问题解决方案。这种思维方式,我们可以把外面的传统思维,从不同寻常的方法问题,甚至不寻常的观点,并提出不寻常的解决方案,导致小说,不寻常,和社会重大思考的结果(6]。审美教育作为教育的重要组成部分在大学艺术课程,因为它“有重要的能力,提高学生的审美兴趣和,因此,开发一个更积极的理解生活和良好的学习习惯和生活”7]。外在美和视听等重要科目的教学美需要加强,根据新的大学课程标准,为了支持中国大学毕业生的整体发展和为自己的未来奠定了基础研究大学(8]。社会标准口径的大学教育已经改变随着信息时代的发展(9]。此外,预算更充足的大学设施、艺术教师和教学用品(10]。因此,重要的是要考虑是否最初的审美教育教学方法需要修改(11]。为了找到连接和秘密隐藏在数据当面对如此大量的数据时,数据挖掘技术开发。

“数据爆炸而知识贫困”现象是无法访问的结果的知识隐藏在数据。预算大学设施、艺术教师,和教学材料增加,社会对高等教育的口径。因此,重要的是要考虑是否需要修改原始审美教育教学模式。数据挖掘领域于一体的理论和方法从数据库、人工智能、机器学习、统计、等领域,是一个至关重要的信息处理产业(12]。创建一个分类函数或分类模型(13- - - - - -15)通过一个方法和研究的终极目标分类。是具有挑战性的决策者来保证的准确性基于个人经验和直觉判断和决策没有足够的统计数据的支持。这种差距正是由使用数据挖掘技术由决策树模型在绩效评估。

本文的创新点如下:(1)本研究及时掌握审美教育的发展趋势和大学生的创新能力和创新研究审美教育对大学生创新能力和艺术素养的角度决策树分类模型。(2)在审美教育教学创新的背景下,本研究提出了一种决策树生成过程的创新能力和艺术素养,审美教育教学。在这个过程中,虽然还有作为标准类别标签,和建立决策树评价指标。(3)本研究创新介绍了ID3算法的过程探索审美教育对创新能力的影响,有效地实现了审美教育的模糊分析数据通过决策树分类模型,并进一步促进审美教育的个性化发展创新能力。

本文的研究框架包含五个主要部分,这是有组织的如下。本文的第一部分介绍了研究的背景和意义,然后介绍了本文的主要工作。第二部分介绍了相关工作的决策树分类模型的影响大学审美教育教学创新能力和艺术素养的大学生。在第三部分中,决策树生成过程创新能力和艺术素养的审美教育和建立决策树评价指标在审美教育是解决,所以本文的读者可以有一个更全面的理解分析审美教育的影响的想法基于决策树分类模型。第四部分是论文的核心,它描述了应用程序的决策树分类模型在调查审美教育对创新能力的影响和艺术素养来自两个方面:分析审美教育对创新能力的影响使用ID3算法和审美教育的模糊分析数据使用决策树分类模型。论文的最后一部分是总结的全部工作。

2。相关工作

2.1。审美教育对大学生创新能力和艺术修养

在当前的社会环境,高要求是放在学生,其中一个是创造性思维。传统的大学模式的教学审美教育关注的标准化课程,教材,课堂组织,通常使用一个统一的评估来评估学生学习和教师教学的有效性。艺术课程的内容应与学生密切相关的生活经验,强调知识和技能在帮助学生美化自己的生活,让他们在现实生活中体验艺术的独特价值的情况。

Rizvi等人建议教学审美教育这样一个基本作用:引导学生体验图片和帮助他们感受美,创造力,和自由通过图片(16]。杜表示,中国普通应该拒绝copy-centered程序和重点发展学生的建模能力,创造力,和欣赏(17]。刘指出,当前的主流模型继续大学审美教育的经验和技能方向的工业时代。信息和网络时代,学生自主创业应该充分配备自己的思维个性和能力的个性(18]。周Ma的研究成果和对审美教育的教学目标和课程目标都把发展学生的创新能力作为教学审美教育的目的19]。Devasenapathy和Duraisamy讨论了如何采用特定的策略来增加大学审美教育的丰富和创新。将艺术融入到大学审美教育可以显著增加内容的多样性和灵活性,在充分结合学生的动手能力和想象力,从而提高他们的创造力(20.]。

如何利用主体的优势,培养学生的创新精神,培养高质量的人才是所有教育者应该考虑的问题。学校教学而言,审美教育教学活动承担培养的特殊使命,提高人的审美能力,需要我们特别关注。因此,在高校美术教学中,教师应强调创新思想的培养,有效地促进学生的发展。

2.2。决策树分类模型

在中国高等教育的目的是培养建设者和接班人增长道德,智力,身体上,美学,辛苦地在所有领域。这个地方审美教育的目标与学习科学文化知识,促进个性发展,培养劳动的精神。中学和大学,主要教育机构,相对在义务教育阶段。尽管仍有大量的资金每年更新硬件、数据分析很少,更不用说数据挖掘。数据库技术的发展推到了一个新的高度。它有能力不仅搜索历史数据也发现历史数据之间存在的可能联系。

为了获得理想的决策树模型,侯属性选择和修剪优化进行了深入研究。在施工过程中,影响成本的决策树模型在实际的决策过程进行了分析(21]。郭认为昆兰的熵函数有偏压的缺陷采取更多的属性值,建议限制决策树一棵二叉树,以便采取更值的属性具有相同的机会减少值的属性(22]。利诺等人使用分类学习的决策原则和平衡成本,敏感的成本,建立一个目标函数和成本最小化的目标(23]。文卡特斯等人提出了一个优化算法MID3克服ID3的可怜的能力学习简单的逻辑表达式(24]。麦克莱恩厂商等人提出了一种决策树模型,迅速成为相关领域的一个研究热点。厂商近9不同类型的决策模型包括误分类代价,测试成本,教练成本,计算成本,干预成本,不必要的成就成本、人机交互成本,成本,开发成本和不稳定(25]。

决策树模型有效地集成了模糊理论和决策树的优点,不仅具有强大的决策分析能力,而且还能处理模糊性和不确定性,正在获得越来越多的关注。

3所示。思想的影响在分析审美教育教学基于决策树分类模型

3.1。决策树的生成过程,在审美教育教学中创新能力和艺术修养

审美教育的核心部分可以被描述为教育,发展学生的创新能力和艺术技巧26]。最核心部分是创造能力的发展,包括能够识别美,发展它,欣赏它,所有这些都必须开发的升值(27]。决策树生成是一个递归的过程选择最具特色和使用此功能将给定的训练数据,导致每个子集的最佳分类的数据(28]。数据转换过程如图1。

首先,根节点构造和所有训练样本集是放在根节点选择最好的功能属性。挖掘数据,特别是来自不同的数据源,对同一个对象可能会使用不一致的描述,输入错误也可能导致不一致。ID算法总是选择最大增益的属性信息在当前节点的所有属性。这个公式来计算给定样本的分类如下: 在哪里收集样本数据,许多不同的值,是一类,是数量的样本,是属于任何样本的概率

熵是一个概念来衡量的信息量。在信息理论中,它代表了随机变量的不确定性。它关注信息的量化。公式如下:

离散随机变量, 是离散随机变量的概率分布。

为了充分激励和激发学生的积极性和主动性,以及帮助培养和保护他们的学习兴趣和信心,教材应力求新颖和有趣的29日]。根据现象学,在教育过程中,应该考虑学习者的经验以及他们的主观知觉,经验,知识本身的客观性(30.]。具体情况或大气中创建相应的教学内容介绍或语境教学过程的教学需求,这样学生的情感共振,为了达到既定的教学目的。学生可以快速、准确地理解所学材料,和他们的智力全面和谐发展,使他们体验到具体情感的客观情况。假设一个决策树构造一个数据集的类属性值的两个数字,有积极的样品和负样本在某个节点;该节点的类标签方法如下:

:作为积极的节点,这个节点是判断 :这个节点作为一个反例评判节点,是要付出代价的时候积极的节点是错误地判断为负面的例子,然后呢是要付出代价的反例节点时错误地判断为一个积极的例子。

如果正确的选择率特性分类后获得的样本数据类似于正确的速度随机分类,然后选择的特征值是没有区别的。不使用这些特征对分类没有影响决策树分类的准确性。在决策树模型,我们重新定义分裂属性选择的因素: 是属性的设置 , 平均信息增益,是标准化的测试成本,药剂量。

直到所有训练样本数据的子集可以正确分类实质上或功能是空的,每个样本子集可以分配给一个叶子节点。生成一个决策树的过程如图2在下面。

其次,根据这一特征属性,训练样本集的节点子集,以便每个训练样本子集是最好的在当前条件下分类。科学、理性和有趣的教学方法来吸引学生,使他们积极学习,并为美好的事物刺激他们的创作冲动。选择的数据是通过选择合适的数据在数据挖掘操作与数据相关联的所有数据的商业目的和减少数据与数据挖掘无关。在学习艺术的过程中,一方面,你会接触到新的知识和技术,另一方面,你会遇到新的问题,产生新的想法。这让学生注意的内容和产生积极的态度倾向,从而刺激反射和调查的必要性和发展创新思维。所需的信息做出正确的类别判断的决策树是一个例子 在哪里 是积极的和消极的例子向量的大小

最后,它决定,如果分段的样本子集可以大致认为是正确的分类,如果是这样,叶节点创建。为了提高学习内容的灵感和利益以满足新时代的需要,教师应仔细选择和写作内容,改革传统的教学内容、教学方法、教学模式的同质性,并使用丰富多彩的和现代化的教学设施和技术条件。数据集成的混合来自不同数据源的信息和存储在一个数据存储。应该在这个过程中删除冗余属性。学生将寻找可能的解决方案,以更有效地解决问题。它是支持学生发展审美教育工作者的责任。审美教育的教学必须考虑自身的生存和发展在现代教育的背景下,促进“的书籍和学校。”可以看出,功能”质量改进”的最大信息增益,在选择决策树的特性,该特性可以被选为根节点或内部节点。

3.2。建立决策树在审美教育教学中评价指标

在决策树算法,分类的正确性和决策树的复杂性是两个最重要的因素要考虑。以下是决策树的定量评价标准。首选项成本是用来惩罚的overpreference行为偏好类和减少错误的分类,从而确保整个决策树的准确性。节点的有效偏好是由下列公式计算: 例子的数量。

首先,在决策树学习的过程中,一个人必须选择匹配的一组假设之一的培训案例集。如果提前知道,函数可以学到属于整个假设空间的一个小子集,然后培训案例是不完整的。也可以从培训中学到有用的假设情况下,未知的例子可以正确分类。之前的公式分裂属性选择的因素,有必要定义EP增量: 在哪里是没有属性节点的有效偏好分裂属性和是有效的和所有子节点分裂分裂属性的偏好

在收到信息之前,接收方的信息不确定性来源成为self-information数量发送的象征,那就是: 在哪里源和发送的信息符号吗的概率是

所谓的专家,我们需要改革的实践安排教学内容希望地不考虑学生的个人特点和实际需求,避免“一刀切”的教学内容、教学方法和教学形式。订单的数据清洗、数据选择、数据集成是由数据源和数据挖掘环境。如果可能的话,选择数据首先可以减少以后的数据量。确定节点是否满足条件停止分裂;例如,节点的数量小于指定阈值的样本。决策树归责的基本流程如图3。

审美能力的培养需要尊重和发挥学生的主体性,即。,allowing them to realize the cognition and appreciation of artworks through independent and cooperative inquiry. This process cannot be achieved without the teacher’s organizational management and necessary guidance. Without this ability, it is difficult to achieve overall control of the art class. Since self-information can only reflect the uncertainty of information symbols, the information entropy is needed to measure the uncertainty of the whole information source: 在哪里可能的值,是概率和是所有可能的数字符号的来源。

在年级管理教务系统,成绩有多个属性。之前执行决策树算法,总结了成绩的特征属性,属性不相关或弱相关的成绩被淘汰的分析挖掘,和相关的属性作为决策树的节点被选中。选择的最低条件属性模糊分区扩展属性。其中, 在哪里是叶子节点,是未使用的条件属性, 模糊划分熵。

第二,决策树实际上是一组测试用例测试,相当于培训测试集的决策树。教学生根据自己的能力和优势的关键是提高他们的创造力。而感知艺术作品的魅力和魅力,我们使用专业语言恰当地描述和评论艺术作品来提高学生的文化品位。决策树归纳算法计算获得大量信息从一个到另一个房产,选择最大的财产获得既定的测试属性,从而产生相应的分支节点。学生申请他们的艺术知识和美学艺术品,反思工作,形成一个新的艺术概述自己的思考,并动员他们的艺术知识和创造性的经验的过程中享受艺术品。生成的节点是贴上相应的属性,和相应的决策树的分支生成根据属性的不同值,每个分支代表的一个子集划分样本。

生成的决策树,然后比较了预测类标签与实际的类标签在收到每个样品在测试一次。这就完成了过程。的最佳分裂点选择,如果选择分裂属性是连续的;如果他们是离散的,最好的选择分割子集。阶段和每个学生的生理和心理发展的不平衡应该考虑。例如,了解在不同的时代和文化背景的人的创造性活动,深化理解和谐但不同的艺术创作都是通过欣赏古典艺术从古代和现代作品。最初的训练数据集被分成许多独立分割基于选择的分割点或子集划分子集。训练集的分裂属性用于选择这些子集,和生成的分支点相同的方式被划分到叶节点的分裂产生的子节点贴上类。

4所示。应用程序和分析决策树模型探索审美教育对创新能力的影响和艺术成就

4.1。使用ID3算法探索审美教育对创新能力的影响

ID3算法计算获得的信息作为选择测试属性的基础。ID3算法选择最大的财产获得信息的内部节点的每一次,当测试除了叶子节点,节点属性的熵最低可以找到分裂节点。信息增益或信息增益率是一个重要的参考数据选择特征值。的数据分类决策树是使大量杂乱的数据转化成订单。摘要决策树算法的运行时间与SLIQ算法和SPRINT算法在不同数据集在一个独立的环境中。结果如图所示4在下面。

首先,所有的信息增益特征为每个节点计算包括根节点基于自上而下的决策树的结构。发现最大的特征信息增益作为分裂节点的特点,和子节点分裂根据不同属性的功能。该算法实现简单,有一个明确的理论基础,很强的学习,和分类能力,非常适合处理大规模学习问题。因此,它已成为一个优秀的工具,知识获取领域的数据挖掘。结构化数据的获取主要是通过提供的数据导入功能,主要是学生的性能数据,主要是存储在学校数据库,可以直接进口。为了验证该模型,四个数据集被选为实验数据,基于信息增益率标准测试结果展示在表1。

艺术课程的教学离不开生活的现实。在创建作品时,学生应该把他们的社会环境和现实生活经验,从生活创造美,尽最大努力提高他们的作品的传染性,并使艺术效果反映在现实生活的情感。虽然艺术是高于现实生活,它仍然来自现实生活。为了测试的性能设计在并行环境中,我们将设计与SPRINT算法具有良好的并行性能。结果如图所示5在下面。

分析了子节点,然后重复前面的步骤。在一个特定的节点,选择一个特定的功能划分和创建各种分支机构按照预定的规则。半结构式的数据通常是学生的基本信息。这些半结构式数据结构基于特征提取共同的部分通过选择操作和删除的部分。评价学生作品的过程包括碰撞创建者的情感表达与学生自身的情感体验。与学生参与的娱乐工作,使他们能够有一个情感联系的艺术家超越了时间和空间。的理想结果是线性算法的响应时间增加处理器的数量由于样本分配到每台机器的数量是恒定的。10 K的垂直扩展性能,20 K, 30 K决策树在图比较6。

毕竟功能被选择或计算信息增益值是最小的,分裂终于停止了。此外,创建了一个学生信息问卷要求学生完成为了包括尽可能多的学生的基本信息。为了方便进一步的数据挖掘,这些信息是手动输入到数据库挖掘教育信息。国际教育资源的综合利用是另一个重要的方式支持审美教育在一个高效的方式发展的艺术素养。的教育资源可以用来不断扩大学生的艺术视野,帮助他们探索和理解更深入的艺术内涵和观点。生成决策树,直到他们无法生成每个样本数据后依次扫描。通过删除分支树的不增加或减少预测的准确性,分类错误地址《砍树砍出技术决策树过度拟合的数据集的问题。为了让学生发展适当的审美价值和提升他们的审美能力,教师必须同时帮助学生把他们的想法带入教室。为了创建决策树节点较少,浅深度均匀,快速的数据分类,和高效的大规模数据处理,介绍了信息熵技术。

4.2。决策树分类模型研究模糊审美教育教学数据的分析

为了检测数据之间的规律,起毛的数据变得至关重要。

原始数据首先fuzzified使用梯形归属函数来计算相应的联系程度实现统一的数据从定量到定性变化。即原始训练数据集总是读没有文字描述数据的子节点的一个子集。我们之间做出妥协,找到最好的部门连续属性和简化数据部分。而不是评估每一对相邻的属性值之间的分割点,地图标准化工作是在数据集上运行计算的近似等深线直方图之前每个连续属性定向树。训练数据的总量保持不变,不同的处理器数量的配置。训练数据集的大小是500000年和100万年的记录,分别。加速性能测试的结果为决策树图所示7。

艺术教师需要创新和完善多元化的教学模式,改变传统的单一和枯燥的教学模式,艺术素养的培养渗透到各种教学形式。例如,欣赏艺术作品不同的流派或创建一个优秀的美术教学环境对学生的帮助下,多媒体教学设备。它不仅可以让学生了解我们的优秀的民族艺术和文化传统和外国优秀的艺术成就,也培养学生的创新意识,创造性的灵感,创造性思维,良好的情绪,和健康的心理。

第二,原始样本数据fuzzified根据梯形归属函数中使用模糊逻辑工具箱软件。通过这种方式,所有的训练集数据的统计属性可用于决策,因此抵制噪音。因此,学生可以真正沉浸在教学课堂,充分利用他们的艺术潜力,激发和培养他们对艺术的兴趣。在欣赏各种艺术作品的过程中,我们培养他们的审美能力和创造性思维,并确保他们的艺术知识结构不断改善和丰富和提供强大的审美体验的过程中培养他们的艺术素养,打下坚实的基础的发展他们的艺术素养。未分类和分类属性之间的关系然后根据设置关闭相关值计算。不同的相关性关闭值影响的数量未分类的属性,进而影响了挖掘结果。它允许学生获得情感上的愉悦,同时加强个性和启蒙思想和最终允许艺术教育升华到综合素质教育的总体目标。保持分布式环境中处理器的数量不变,训练数据集的大小是不同的,和算法的放大性能测试使用5,30,55个处理器。结果如图所示8。

最后,决策树和相应的知识规则集的生成是基于广义决策树模型。此外,用户不需要知道很多背景知识在学习过程。只要训练样本可以attribute-conclusion地表示,他们可以学习的算法。相反,创建一个叶子节点存储的一个子集,子集类分布的样本。以检查提出算法的稳定性,以下从机器学习库数据集选为本文中的测试材料。比较各种参数的结果表中演示了决策树模型和支持向量机算法2。

从表可以看出2,整个决策树模型的准确性和f值提高了0.318和0.221在不同的数据集,分别在支持向量机算法,表明决策树模型的准确性显著提高偏好类和确保相同的整体精度。

它不足以限制学生艺术素养的发展和改进的审美教育课堂。成功创新的方法来培养学生的艺术素养,教师必须克服这种情况,结合理论知识与艺术实践活动。艺术实践活动的发展能够成功生产一流的为学生和真正的艺术环境,巧妙地发挥他们的艺术精神。最多的类别样本子集的分类属性然后发现作为叶子节点的分类属性的值在《砍树砍出过程中创建的叶节点的替代品。相比,道德和知识教育、审美教育在学校有一些独特的特点。其生动的意象艾滋病的学生理解和帮助他们识别,以及让他们着迷,美学教育。

5。结论

大学审美教育是一个关键阶段让学生基本艺术知识,能力,创造力和自由的感觉。它也发挥了重要作用,发展学生的艺术素养。为了从被动接受学习转变为主动学习,学生应该积极的动机在艺术课程,让其主观能动性的充分发挥和扩大他们的想象力。审美训练教学难以跟上现代化的发展。我们只能应对高校审美教育的扩张的需要,提高学生质量优先的发展学生的创新能力。在教育、数字隐藏的法律。这些规则可以使用多种开采技术,他们可以在各种情况下开采。之间的潜在关联数据无法发现的方法关键指标法和平衡计分卡,只能得到一些数据表面的信息。有效地缩小这个差距,绩效评估可以应用数据挖掘技术是由决策树模型。我们探索了审美教育对创新能力的影响使用ID3算法和探索审美教育的模糊分析数据使用决策树分类模型,所有这些都是基于决策树分类模型。 We also analyze the impact of aesthetic education on the artistic literacy and innovation ability of college students. In order to achieve the educational goal of developing innovative personnel, we therefore analyze the impact of aesthetic education on innovation ability and artistic literacy using the decision tree classification model. We find that aesthetic education can create a welcoming environment for innovation education and make the most of the way that art classes are geared toward improving students’ innovation ability.

数据可用性

使用的数据来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。

确认

本研究支持农村基础教育改革农村振兴赤峰市的帮助。