# 教学数据 机器学习策略优化
## kaggle上下载数据
## 基本的数据可视化
## 划线的等级划分
## k-means进行数据聚类
## 关联性分析
选择维度：
- 性别
- 是否提前测试过得课程
- 三科的成绩（需要离散化）
- 离散成单科的好坏，那么产生6个项
- 总科目的好坏
- 受教育程度
### Apriori算法
概念：
- 支持度：$support(x->y) = P(x \cap y)$
- 置信度：$confidence(x->y) = \frac_{P(x)}^{P(xy)}$
要做的工作：
1. 生成频繁项集：
这一阶段找出所有满足最小支持度的项集（具有统计学意义的组合），找出的这些项集称为频繁项集。自信度与支持度的计算涉及到多个列表的循环，极大影响频繁项集的生成时间。
2. 生成关联规则：
在上一步产生的频繁项集的基础上生成满足最小自信度的规则，产生的规则称为强规则。
两个重要推论
- 如果一个集合是频繁项集，则它的所有子集都是频繁项集。假设一个集合{A,B}是频繁项集，则它的子集{A}, {B} 都是频繁项集。
- 如果一个集合不是频繁项集，则它的所有超集都不是频繁项集。假设集合{A}不是频繁项集，则它的任何超集如{A,B}，{A,B,C}必定也不是频繁项集。
我的毕业设计，主要是基于关联算法的教学数据分析。具体涉及到原生经典的剪枝Apriori算法，CBE 二进制编码优化的.zip （47个子文件） 
资料总结 
CBE Apriori.py 9KB k-means.npy 337KB test1.py 1KB K-meansTest.ipynb 406KB Pipfile 217B 可视化 web.json 112KB 可视化demo.ipynb 286KB les.json 31KB .gitattributes 66B doc 
img_3.png 94KB readme.md 1KB img.png 13KB img_1.png 89KB img_2.png 54KB fp_growth_py3.py 12KB main.py 11KB
apriori算法实现.xlsx 20KB 关联规则可视化处理.ipynb 682KB Apriori 多进程 性能测试版本.ipynb 35KB testData 823KB rayTest 多级.py 731B ray.ipynb 6KB demo.py 159B classDemo.py 349B rule.csv 4KB k-meansAns.csv 50KB Dockerfile 1KB FP-Growth.py 7KB
graph_base.html 12KB Apriori和其派生算法 性能测试版本.ipynb 126KB 我的优化beta版 + 多进程优化对比 (1).html 642KB
requirements.txt 1KB genData.py 749B Pipfile.lock 82KB Config __init__.py 2KB test.ipynb 997KB testData1 823KB para.json 48B testData 365KB __pycache__ __init__.cpython-37.pyc 2KB StudentsPerformance.csv 70KB .gitignore 122B train.csv 41KB student-performance-analysis.ipynb 1.44MB Apriori和其派生算法 教学数据正确性测试.ipynb 62KB README.md 364B 我的优化beta版 + 多进程优化对比.ipynb 41KB资源评论
