关联规则挖掘算法在选课系统中的应用研究_0
关联规则挖掘算法在选课系统中的应用研究
数 据挖 掘 …是从 数 据 中识 别 出 有 效 的 、 颖 的 、 在 有 用 的 、 据 挖 掘 工 作 的顺 利 完 成 提 供 完 整 的数 据 基 础 … 新 潜 在选 课 系 统 的存
以及 最 终 可理 解 的 模式 的高 级 过 程 。简 单 地说 ． 据挖 掘 是 从 大 储 设 计 中 ． 为将 来 的 数 据 挖 掘 做 准 备 ． 时 考 虑 不 同 专 业 的 偏 数 要 同 量 数 据 中提 取 或 “ 掘 ” 挖 知识 它 是一 个 融 合 多 种 技 术 的 交 叉 学
科 ２ 关 联 规则 算 法 分 析 ． ２ 关 联 规 则 （ ｓｏ ｉ ｉ ｕｅ 挖 掘 就 是 从 大 量 的 数 据 集 中 去 Ａ ｓ ｃ ｔ ｎ Ｒ ｌ） ａｏ 寻找 数 据 之 间 的关 联关 系 ． 为决 策 系 统 服 务 。人 们 可 以利 用 手 中 好程 度 、 程 的冷 热 程 度 、 生 对教 师 的要 求 等 因 素 ， 课 学 将数 据 存 储
（ ） 据 消 减 。 数据 消减 是 使 原 来 庞 大 复 杂 的 数据 精 简 化 ， ４ 数 课程 信 息 中 的学 期 、 程 序 号 等 ： 除 教 师 信 息 中 的年 龄 、 别 课 去 性 等 ； 生 信 息 中 只 保 留 学号 、 名 、 业 、 系 、 级 ， 他 信 息 去 学 姓 专 院 年 其 除 ； 绩 信息 中只 保 留 课程 编 号 、 号 、 绩 。 成 学 成
选择。
合 选 课 系统 的应 用 来 研 究 数据 预 处 理 的 ４个 步 骤 ： （ ）数 据 清 洗 。现 实 世 界 的 数 据 常 常是 有噪 声 的 、 完全 的 １ 不 和不 一 致 的 。数 据 清 洗 过 程 一般 包 括 平 滑 噪 声数 据 、 补充 缺 失 数 中空 缺 的 数据 项 进 行 关 联 查 找 对照 ． 用最 “ 似 ” 数 据填 充 对 近 的
关联规则挖掘在教学评价中的应用研究的开题报告
关联规则挖掘在教学评价中的应用研究的开题报告一、选题背景和意义随着大数据和数据挖掘技术的发展，关联规则挖掘在各个领域中得到了广泛应用。
教育评价作为教育领域中的一项重要任务，评价结果的准确性和科学性对于教育事业的发展具有重要影响。
关联规则挖掘可以发现数据中的潜在关系和规律，为教育评价提供更全面、精确的数据支持，可以帮助教育机构更好地了解学生、课程和教学环境，从而提高教学质量。
因此，对于关联规则挖掘在教学评价中的应用进行研究，对于推动教育信息化建设，优化教学评价体系具有积极的意义。
二、研究内容和方法研究内容主要包括以下几个方面：1、教学评价指标体系的构建：构建用于关联规则挖掘的教学评价指标体系，包括学生综合水平、课程难度、教师教学质量等多个维度。
2、数据采集和预处理：使用调查问卷、学生成绩等数据采集方式，对数据进行清洗、去除脏数据、特征选择等预处理工作。
3、关联规则挖掘算法的应用：基于研究目的选择适当的关联规则挖掘算法，进行关联规则挖掘分析，发现隐藏在数据背后的关联规则与规律。
4、教育评价结果的解读与分析：对挖掘得到的关联规则进行解读、分析和应用，为教学评价提供科学依据和参考意见。
研究方法主要采用文献资料法、案例比较法和实证研究法等，旨在深入挖掘关联规则挖掘技术在教学评价中的应用，探讨如何将其更好地应用到教育领域中，从而提高教学质量。
三、研究计划1、文献资料收集与综述（2周）2、教学评价指标体系构建（4周）3、数据采集和预处理（4周）4、关联规则挖掘算法的应用（6周）5、教育评价结果的分析与解读（4周）6、论文撰写与修改（4周）四、预期成果本研究预期可以通过关联规则挖掘技术，发现学生学习、课程设置和教学方式等因素之间的关联规律和影响因素，为教学评价提供更全面、科学的数据支持，为提高教学质量提供科学依据，是能够推动教育信息化建设的重要研究方向。
数据挖掘中关联规则算法的研究及应用
数据挖掘中关联规则算法的研究及应用1 简介数据挖掘是指从大量的数据中挖掘出有用的信息和知识的过程。
而关联规则算法是数据挖掘中最常用的一种算法之一。
关联规则算法主要用于发现数据集中不同项之间的关系，其应用十分广泛，如市场营销、推荐系统、医疗诊断等。
2 关联规则算法的原理关联规则算法主要是基于数据频繁项集的挖掘。
频繁项集是指在数据集中出现频率较高的项集，例如购物篮中，同时购买饮料和零食的人数较多，则饮料和零食的组合即为频繁项集。
在寻找频繁项集的过程中，可以使用Apriori算法，其主要过程如下：1. 扫描数据集，得出项集的支持度；2. 根据设定的最小支持度阈值，得出频繁1项集；3. 根据频繁项集，产生备选项集；4. 根据备选项集计算支持度，并得出频繁项集；5. 重复第3和第4步，直到无法产生更多的频繁项集。
在得出频繁项集后，可以使用关联规则算法得出频繁项集之间的关联规则。
其主要过程如下：1. 给每个频繁项集设置一个置信度阈值；2. 扫描频繁项集，得出其子集；3. 计算子集与父集之间的置信度；4. 根据设定的最小置信度阈值，筛选符合条件的关联规则。
3 应用场景1. 市场营销在市场营销中，可以使用关联规则算法来分析顾客购买行为。
例如，对于超市购物篮中的商品，可以使用关联规则算法找出哪些商品同时被购买，以便超市能够针对这些情况进行促销活动。
2. 推荐系统关联规则算法可以帮助电商平台等网站推荐相关商品。
例如，用户在购买手机时，可以推荐相关的手机壳、耳机等配件。
3. 医疗诊断在医疗诊断方面，可以使用关联规则算法来分析疾病之间的关联关系，以便医生更好地进行诊疗。
例如，关联规则算法可以分析某种病的风险因素，从而更好地预防和治疗疾病。
4 结论关联规则算法是数据挖掘中最常用的算法之一，其原理是基于数据频繁项集的挖掘。
关联规则算法在市场营销、推荐系统、医疗诊断等领域都有广泛应用，帮助我们更好地发现数据之间的关联关系，并得到更加准确的结论。
数据挖掘中关联规则挖掘方法的研究及应用的开题报告
数据挖掘中关联规则挖掘方法的研究及应用的开题报告1. 研究背景和意义数据挖掘是指从数据中发现规律性信息的一种技术方法，而关联规则挖掘则是数据挖掘中的一种重要技术之一。
关联规则挖掘可以在大规模数据集中挖掘出项集之间的频繁关系，从而提供一些潜在的商业决策建议。
随着大数据时代的到来，关联规则挖掘在应用中发挥着越来越重要的作用，例如在市场营销领域、新闻推荐系统中都有广泛的应用。
本论文将深入研究关联规则挖掘方法，尤其是针对频繁模式挖掘、关联规则的发现和剪枝等关键技术进行研究和探讨，并结合实际应用探索关联规则挖掘的应用价值和实用性。
2. 主要研究内容和方法本论文主要研究内容包括：(1) 关联规则挖掘的概念和基本算法；(2) 关联规则挖掘中的频繁模式挖掘技术；(3) 关联规则的挖掘和剪枝技术；(4) 关联规则挖掘的应用实例分析。
该研究采用文献综述和案例分析，并结合现有的相关算法和工具对关联规则挖掘进行实验分析。
3. 预期目标及预期结果通过本研究预计达到以下目标：(1) 掌握关联规则挖掘的基础理论和核心算法；(2) 实现常用算法和工具，并进行实验分析；(3) 探究关联规则挖掘在实际应用中的价值和意义。
预期结果如下：(1) 系统性的关联规则挖掘研究成果，形成一套完整的理论框架；(2) 实现并验证算法的正确性和可行性；(3) 揭示关联规则挖掘对商业决策的贡献。
4. 论文创新点本论文具有以下几个创新点：(1) 对关联规则挖掘的方法和应用进行深入研究；(2) 结合实际案例分析探讨关联规则挖掘的应用价值；(3) 为相关领域的研究提供参考和借鉴。
5. 参考文献[1] Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules in large databases. In Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, Santiago, Chile (pp. 487-499).[2] Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. In Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (pp. 1-12).[3] Tan, P., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. Pearson Education.[4] Zhang, Y., & Li, Y. (2004). A survey on frequent pattern mining. Journal of Software, 15(6), 873-881.。
关联规则挖掘在推荐系统中的应用
关联规则挖掘在推荐系统中的应用在当今信息爆炸的时代，为了帮助用户更准确、高效地找到所需的信息或产品，推荐系统成为了越来越重要的工具。
而关联规则挖掘作为推荐算法的一种重要手段，被广泛应用于推荐系统中，为用户提供个性化、精准的推荐。
本文将探讨关联规则挖掘在推荐系统中的应用。
一、关联规则挖掘的基本原理关联规则挖掘是发现数据集中项集之间的关联关系。
它通过分析大量的交易数据，找出其中常一同出现的物品，从而得出这些物品之间的关联规则。
关联规则通常由两部分组成：前项（Antecedent）和后项（Consequent）。
前项表示条件，后项表示结果。
关联规则可以用以下形式表示：A→B，表示当用户购买了A，那么他们很可能会购买B。
二、关联规则挖掘在推荐系统中的应用1. 商品推荐在电子商务网站中，关联规则挖掘可以用于商品推荐。
通过分析用户的购买记录，可以发现用户购买某一商品时常常会购买另一些相关商品。
例如，当用户购买手机时，他们很可能也会购买手机配件或者手机保护套。
基于这种关联关系，推荐系统可以向用户推荐这些相关商品，提高购物体验和交易量。
2. 用户兴趣挖掘关联规则挖掘还可以用于用户兴趣挖掘。
通过分析用户的浏览历史、搜索记录等行为数据，可以发现用户对某些类型的信息或产品表现出较高的兴趣。
例如，用户经常浏览汽车资讯网站，搜索汽车相关的信息，系统可以据此推断出用户对汽车的兴趣，并向其推荐相关的汽车资讯、汽车产品等内容。
3. 内容推荐关联规则挖掘还可以用于内容推荐。
在新闻、文章等内容丰富的网站中，通过分析用户浏览记录和阅读行为，可以挖掘出新闻、文章之间的关联规则。
如果用户经常阅读与某一主题相关的内容，那么系统可以向用户推荐更多的相关内容，满足用户的阅读需求。
4. 社交网络推荐关联规则挖掘还可以应用于社交网络推荐。
通过分析用户在社交网络中的好友关系、兴趣爱好等信息，可以找出用户之间的关联规则。
例如，如果用户A和用户B之间存在很多共同的好友，那么系统可以推断出他们之间可能存在某种兴趣上的关联，从而给他们推荐彼此可能感兴趣的内容或活动。
关联规则挖掘算法的研究与应用
关联规则挖掘算法的研究与应用引言：关联规则挖掘算法作为数据挖掘领域的重要工具之一，在商业、医疗等领域有着广泛的应用。
通过挖掘数据集中的关联规则，可以发现数据之间的潜在关联关系，为决策提供支持与指导。
本文将对关联规则挖掘算法的研究和应用进行探讨，并分析其在实际问题中的应用效果。
一、关联规则挖掘算法的基本原理关联规则挖掘算法是通过寻找数据集中的频繁项集和关联规则来揭示数据之间的相关性。
算法的基本原理包括：支持度和置信度的计算、频繁项集的挖掘和关联规则的生成。
1. 支持度和置信度的计算：支持度表示一个项集在整个数据集中出现的频率，而置信度表示一个关联规则的可信度。
通过计算支持度和置信度，可以筛选出具有一定频率和可信度的项集和关联规则。
2. 频繁项集的挖掘：频繁项集是指在数据集中出现频率达到预定义阈值的项集。
挖掘频繁项集的常用算法有Apriori算法、FP-growth算法等。
Apriori算法是一种基于逐层搜索的算法，在每一层中利用候选项集生成频繁项集。
而FP-growth算法是一种基于树结构的算法，通过构建FP树和挖掘频繁模式来实现。
3. 关联规则的生成：在挖掘到频繁项集之后，可以利用这些频繁项集生成关联规则。
关联规则的生成常采用Apriori原理，即从频繁项集中根据最小置信度阈值生成关联规则。
二、关联规则挖掘算法的研究进展随着数据挖掘技术的发展，关联规则挖掘算法也得到了不断的改进与扩展。
研究者们提出了许多新的算法和改进方法，以提高关联规则的挖掘效果。
1. 改进的关联规则挖掘算法：针对传统算法在挖掘大规模数据时效率低下的问题，研究者们提出了一些改进的算法。
例如，有基于GPU加速的算法、并行化的算法以及基于增量挖掘的算法等。
这些算法通过利用硬件加速和并行计算技术，可以大幅提升挖掘速度。
2. 多维度关联规则挖掘：除了在单一维度上挖掘关联规则，研究者们还尝试在多维度上进行关联规则的挖掘。
多维关联规则挖掘算法可以同时挖掘多个维度中的关联规则，从而发现更加丰富和准确的关联关系。
关联规则挖掘在高校选课系统中的应用
２选课 系统 的总体 设计
２ １ 据 挖 掘 结 构 的 设 计 ．数 数 据 挖 掘 系统 的结 构 设 计 是 整 个 数 据 挖 掘 系统 设 计 的初 始 阶段 面 临 的一 个 重要 问题 。一 个 好 的 数 据挖 掘 系统 结 构 将 有 利 于
Ｋｅ ｒ Ｓ ＯＬ ｙ ｗｏ ｄ ： ＡＰ Ｄａａ Ｗ ａ ｅ ｏ ｓ ； ｓ ｃａｉ ｎ ｒ ｌ ｍ ｎ ｎ ； ｔ ｒ ｈ ｕ ｅ ｓ ｉｔ － ｅ ｉ ｉ ｇ ａｏ ｏ ｕ
１ 引 言
为 了 便 于 管 理 。许 多 高 校 都 早 已采 用 了信 息 化选 课 系 统 ， 该 系统 在 运 行 中积 累 了 大 量 的数 据 ，这 些 数 据 中隐 藏 着 无 法 辨 别 的 、 以 提 供 决 策 支 持 的 信 息 ， 传统 的查 询 、 表 Ｔ 具 无 法 满 足 可 而 报 挖 掘 这 些 信 息 的需 要 。 利 用 数 据 挖 掘 技 术 ， 掘 选 课 系统 中 积 累 的 有 用 信 息 ． 以 挖 可
维普资讯
电 脑 知 识 与 技 术
教 育 论 坛 。
关联 规则挖掘在 高校选课 系统 中的应 用
尹聪 春
（ 东北 财 经 大 学 职 业 技 术 学 院 ， 宁 大 连 １６ ２ ） 辽 １０ ３ 摘 要 ： 着高 校 选课 信 息 系统 的 运 行 ， 随 系统 中存 储 了 大量 的 数 据 ， 些数 据 中 包含 了许 多 潜在 的有 用的 信 息 ， 这 而这 些 知 识 的 提 取 需要 利 用 数据 挖掘 技 术 。本 文 以 高 校 选课 管 理 为应 用 背 景 ， 计 并 实现 了一 个 基 于数 据 仓 库 和 ＯＬ Ｐ技 术 的 关联 规 则挖 掘 系统 ， 有 一定 的 设 Ａ 具
基于关联规则的挖掘技术研究及其在教学管理中的应用的开题报告
基于关联规则的挖掘技术研究及其在教学管理中的应用的开题报告一、研究背景与意义近年来，在信息化不断深入的大环境下，教育行业也频频探索数字化、信息化手段的应用，以推动教学、管理等方面的提高。
其中，基于关联规则的数据挖掘技术在教学管理中的应用备受瞩目。
关联规则挖掘是数据挖掘中一项十分重要的技术，其能从大量数据集中发掘出相关性密切的数据，得出不同属性之间的内在联系，进而为决策提供依据。
这项技术应用广泛，已在市场营销、企业管理、医疗保健等领域取得了很好的效果。
因此，结合教育管理的实际需求，基于关联规则的挖掘技术在教学管理中的应用也被广泛关注。
目前，学校在面对大量的学生信息数据时，如何从中挖掘出有用的信息以完成教学管理、监管工作，是亟需解决的问题。
而基于关联规则的挖掘技术，可通过对学生的行为、学习、成绩等信息进行分析和挖掘，得出不同因素之间的相关性，为提升教学质量、实现精准管理提供技术保障。
因此，本研究拟就基于关联规则的挖掘技术在教学管理中的应用展开详细探讨，以期为学校管理部门提供理论支持和技术指导。
二、研究内容与目标本研究旨在探讨基于关联规则的挖掘技术在教学管理中的应用。
具体内容包括以下几个方面：1. 基于关联规则的数据挖掘技术概述：介绍关联规则挖掘的基本概念、挖掘流程、挖掘方法等。
2. 教学管理中的数据挖掘应用状况：通过文献调研和案例分析，总结目前教学管理中关联规则挖掘技术的应用状况。
3. 关联规则挖掘在教学管理中的应用案例研究：以某高校为例，通过对学生选课情况、考试成绩等数据的挖掘，得出相关性，为后续教学管理提供科学依据。
4. 基于关联规则的挖掘技术在教学管理中的优化方案：根据教学管理中的实际需求，提出优化基于关联规则的挖掘技术应用的方案，以期提高教学管理效率和质量。
通过以上几个方面的研究，本研究力求实现以下目标：1. 掌握基于关联规则的挖掘技术的基本原理和应用方法。
2. 深入了解教学管理中数据挖掘的应用状态、关键问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关联规则挖掘算法在选课系统中的应用研究
［摘要］本文针对高校网上选课工作中遇到的一些实际矛盾，将关联规则挖掘算法应用于选课指导系统中，对系统中存储的大量数据进行挖掘，从中提取出潜在的有用的信息，为高校选修课的开设及学生选课行为提供决策支持。
［关键词］数据挖掘；关联规则挖掘；选课系统；FP-growth算法
１引言
目前，普通高校已广泛采用计算机信息系统对学生选课活动进行管理，学生可根据自己专业特点、兴趣爱好以及未来的职业规划，在网上进行选修课的选择。
在选课过程中，经常出现选课不均衡现象，即一些课程的选择人数过多，而另一些课程无人选择。
选课系统在运行中积累了大量的数据，这些数据中隐含着一些无法辨识的信息，利用数据挖掘技术，挖掘选课系统中积累的、潜在的、有用的信息，可以指导教务部门调整热门课程和冷门课程的数量和学分设置，从而提高教学管理水平，使教学资源得到合理分配，满足学生的个性化选课需求。
２关联规则及其算法分析
２．１数据挖掘定义
数据挖掘［１］是从数据中识别出有效的、新颖的、潜在有用的、以及最终可理解的模式的高级过程。
简单地说，数据挖掘是从大量数据中提取或“挖掘”知识。
它是一个融合多种技术的交叉学科，包括数据库技术、统计学、机器学习、可视化和信息科学等学科。
２．２关联规则算法分析
关联规则（ＡｓｓｏｃｉａｔｉｏｎＲｕｌｅ）挖掘就是从大量的数据集中去寻找数据之间的关联关系，为决策系统服务。
人们可以利用手中没有规律的数据，找出物与物之间的规律，利用这些规律也给商业界带来了惊人的利润。
目前，关联规则挖掘已经成为数据挖掘领域中的重要研究方向。
关联规则的挖掘算法主要有循环式扫描算法、增量式更新算法、并行挖掘算
法、元模式制导、基于约束挖掘等。
其中比较典型的有Ａｐｒｉｏｒｉ算法和ＦＰ－ｇｒｏｗｔｈ算法。
杨克松［2］用Ａｐｒｉｏｒｉ算法对选课系统进行数据挖掘，但由于Ａｐｒｉｏｒｉ算法在每次寻找频繁项集的时候，都需要扫描数据库一次，因此随着数据库的增大，寻找频繁项集的时间会越长，系统的效率受到很大的影响。
针对Ａｐｒｉｏｒｉ算法框架的缺陷，Ｈａｎ．ＪＷ（韩家炜）［１］等人提出了ＦＰ－ｔｒｅｅ结构和相应的ＦＰ－ｇｒｏｗｔｈ算法。
实验表明，ＦＰ－ｇｒｏｗｔｈ对不同长度的规则都有很好的适应性，同时在效率上较之Ａｐｒｉｏｒｉ算法有巨大的提高。
由于高校多年来存储的选课数据量较大，故选用ＦＰ－ｇｒｏｗｔｈ方法实现高校选课系统的关联规则挖掘较为合适。
３关联规则挖掘在选课指导系统中的应用
数据挖掘过程可以分为3个步骤：数据预处理、数据挖掘、挖掘结果的解释与评估。
３．１数据预处理
数据预处理是指对数据进行清洗、集成、转换和消减。
清除冗余数据，降噪，填充缺失的数据，消除重复记录，从而提高数据挖掘对象的质量，达到提高数据挖掘所获知识质量的目的。
本文结合选课系统的应用来研究数据预处理的4个步骤：
（１）数据清洗。
现实世界的数据常常是有噪声的、不完全的和不一致的。
数据清洗过程一般包括平滑噪声数据、补充缺失数据、消除异常数据，以及纠正不一致的数据。
在系统中，对数据库中空缺的数据项进行关联查找对照，用最“近似”的数据填充。
对于冗余数据（如同时选取两门同样课程的学生数据）进行删除。
（２）数据集成。
将来自多个数据源的数据，如数据库、数据立方、普通文件等结合在一起并形成一个统一数据集合，以便为数据挖掘工作的顺利完成提供完整的数据基础［１］。
在选课系统的存储设计中，要为将来的数据挖掘做准备，同时考虑不同专业的偏好程度、课程的冷热程度、学生对教师的要求等因素，将数据存储在ＳＱＬＳｅｒｖｅｒ２０００中。
（３）数据转换。
将数据按划分的主题进行转换，同时使数据离散化。
例如：将“网络20０９－０１”分解成“网络”专业、“20０９”级、“０１”班，为数据挖掘作准备。
（４）数据消减。
数据消减是使原来庞大复杂的数据精简化，去除挖掘工
作不需要的属性，同时保证数据的完整性。
例如：去除课程信息中的学期、课程序号等；去除教师信息中的年龄、性别等；学生信息中只保留学号、姓名、专业、院系、年级，其他信息去除；成绩信息中只保留课程编号、学号、成绩。
３．２数据挖掘
本文选择关联规则挖掘方法来研究课程、学生、教师之间的相关联系，在关联规则挖掘的各种算法中，经过比较，我们选用效率较高的ＦＰ－ｔｒｅｅ增量模式算法，具体算法如下。
表１中数据是部分选课情况，以该数据为例，可以挖掘出若干关联规则，下面仅从技术角度讨论3条选择关联规则的标准：支持度（也称广泛度、普遍度）、置信度（也称预测度）和增益。
3.2.1支持度ｓｕｐ（）
表示在选课系统中同时包含关联规则左右两边教师职称和课程科目的选择次数百分比。
即支持这个选择的次数百分比，相当于联合概率。
ｓｕｐ（Ｘ２２→ Ｙ１１）＝Ｐ（Ｘ２２Ｙ１１）＝４００/ １０００＝４０％
3.2.２置信度ｃｏｎ（）
是指所有的选择了左边的教师，同时又选择了右边的课程的选择概率，是一个条件概率。
ｃｏｎ（Ｘ２２→ Ｙ１１）＝Ｐ（Ｙ１１| Ｘ２２）＝Ｐ（Ｘ２２Ｙ１１）/ Ｐ（Ｘ２２）＝４００/ ５４０＝７４．１％
3.2.３增益ｌｉｆ（）
增益是两种可能性的比较。
一种是在已知选择了左边教师的情况下选择右边课程的可能性，另一种是在任意情况下选择右边课程的可能性。
ｌｉｆ（Ｘ２２→ Ｙ１１）＝Ｐ（Ｙ１１| Ｘ２２）－Ｐ（Ｙ１１）＝７４．１％－５０％＝２４．１％
这个标准和数据挖掘中其他模型的选择标准一样，通过与“原有”规则的比较，来测量该规则提高预测准确性的程度。
指定标准的最小值，ｍｉｎ＿ｓｕｐ＝１０％，ｍｉｎ＿ｃｏｎ＝４０％，ｍｉｎ＿ｌｉｆ＝１０％。
取值都大于标准临界值的关联规则被列出。
３．３对结果的评估
从表２的挖掘有效规则可以看出，Ｒ１规则说明20０９级学生偏爱文史类课程，并且多数学生选择职称为副教授的教师；Ｒ２规则说明20１０级学生对经济类课程感兴趣，并且对教授职称的老师非常认可；Ｒ３规则说明各年级学生都对艺体类课程有兴趣，而且对老师的职称没有要求；Ｒ４规则说明学生对学分比较高的课程有兴趣，等等。
根据表2中结果，可以建议下学期广泛开展艺体类选修课，锻炼体魄陶冶情操，向20０９级学生增开文史类课程，向20１０级学生增开经济类课程，等等。
４结论
数据挖掘技术已经成功地应用于银行和商业领域中，在高校、政府等非营利性机构中应用很少。
本文采用ＦＰ－ｇｒｏｗｔｈ算法对高校学生选课信息进行数据挖掘，辅助教务处完成下学期选修课程和教师资源的合理安排，提高教学管理效率。
此问题还需进一步深入研究，从多层次和多维度对系统中的数据进行挖掘。
主要参考文献
［１］［加］ＪｉａｗｅｉＨａｎ，ＭｉｃｈｅｌｉｎｅＫaｍｂｅｒ．范明，孟小峰，译．数据挖掘概念与技术［Ｍ］．北京：机械工业出版社，２００１．
［２］杨克松. 论关联规则在高校选课系统中的应用［J］．福建电脑，２００７（10）．。