基于數據挖掘的應用型高校創新創業數據分類方法

堯雪莉

（南昌交通學院，江西 南昌 330100）

0 引言

近幾年來，高職院校應用型人才培養得到了各個行業的重視，創新創業教育成為職業教育人才培養的主流趨勢[1-2]。在教育過程中將創新創業數據進行有效的分類對教育方案的制定具有重要意義。但是由于市場需求的變化，應用型高校對學生創新創業數據的分類結果無法達到預期的標準，需要設計更加靈活、多變的數據分類方法[3-4]。

數據挖掘對于龐大數據的處理效果更佳，處理形式也較為靈活。本文基于數據挖掘技術提出應用型高校創新創業數據分類方法。與傳統的數據分類模式相比，本文所設計的數據分類方式創新性地在復雜的處理環境之下，明確劃定數據處理區域；結合所設立的創新創業執行目標，核定更加精準的分類結果；在數據挖掘的輔助支持之下，提升了整體的數據分類處理效果。

1 數據挖掘下應用型高校創新創業數據分類方法設計

1.1 數據分布預處理

在對應用型高校創新創業數據進行挖掘分類之前，需要先進行數據分布的預處理[5]。結合應用型高職院校的創新創業實際情況，劃定具體的數據處理區域，提取數據的分布特征，在預設的標準以及范圍之內，進行融合歸類[6]。構建的對應的分布處理結構如圖1所示。

圖1 數據分布預處理結構圖示

根據圖1，可以建立數據分布預處理結構。依據該結構，結合數據挖掘技術，進行分布目標的關聯；在合理的分布范圍之內，完成對數據分類目標的項集預處理。

1.2 設定特征數據分類目標

在完成數據分布預處理之后，需要設定特征數據的分類目標[7]。特征數據分類目標是指通過提取數據特征劃定具體的分類層級。需要注意的是，數據分類層級一般由分類目標驅動，結合挖掘指令，形成對應的分類任務[8]。此時，結合上述內容計算創新創業數據特征分布權系數：

通過上述計算得出實際的數據特征分布權系數，排除存在的差異值，設定具體的應用數據分類目標，為后續挖掘處理奠定基礎。

1.3 模糊數據挖掘分類結構設計

基于上節設定的特征數據分類目標，設計模糊數據挖掘分類結構。先結合數據的實際數量，預設數據的實際分類范圍，將測定數據的模糊特征分布集設為在[-1，1]的區間之內，劃定數據挖掘的實際應用范圍。

同時，根據特征模板，設定分類控制指數，在特征權重回歸分析的基礎之上，構建多層級、多目標的自適應分類結構；結合分類目標，完成模糊數據挖掘分類結構設計。

1.4 雙向關聯數據挖掘分類模型構建

根據模糊數據挖掘分類結構，構建雙向關聯數據挖掘分類模型。劃定基礎的分類條件與處理標準，計算數據分類模型的雙向挖掘比：

基于雙向關聯規則，對數據進行模糊統計；設定高層級的數據分類序列，在每一個分類處理序列之間劃定允許出現的誤差標準為0.15。數據分類自適應度函數計算如下：

1.5 基于特征重構法實現應用型高校創新創業數據分類

基于雙向關聯數據挖掘分類模型，采用特征重構法實現應用型高校創新創業數據的分類。基于數據挖掘技術，設定重構邊緣范圍，同時制定重構分類邊緣值，具體如表1所示。

表1 重構數據分類邊緣值標準設定表

根據表1設定重構數據分類邊緣值標準，實現數據挖掘技術下應用型高校創新創業數據的分類。

2 方法測試

驗證數據挖掘下應用型高校創新創業數據分類方法的分類效果，設定3個測試組進行對比測試。測試組1為傳統的線性回歸數據分類處理方法；測試組2為傳統的物元數據分類處理方法；測試組3為本文設計方法。

2.1 測試準備

選取R高職院校作為實驗對象，設定P高職院校的4個班級作為測試對比小組。采用Matlab和C++的混合處理方式進行數據初始分類架構的設計與構建，并計算出實際的互動限制比：

結合限制比，設定對應的初始測試區域。結合數據分類樣本，計算出控制權重系數：

在測試之前，根據測定的范圍和創新創業數據的數量，設定數據分類的迭代次數為650，測定周期為6周，標準完成比為T=0.25。在數據挖掘的輔助支持之下，設定數據的分類目標。將整合的P高職院校4個班級創新創業數據依據種類添加在不同的處理層級。

結合數據挖掘模式，構建二次數據分布的不規則空間聚類數據處理模型，構建模糊的數據分類環境，計算出具體的數據挖掘模糊系數：

2.2 測試過程及結果分析

在搭建的測試環境之中，根據數據挖掘所覆蓋的范圍，進行空間聚集分類測定。先獲取相應的聚類數據處理信息，同時建立對應的分類結構，進行數據聚類收斂比的計算：

根據圖2，可以完成對創新創業數據波動變化的掌握。隨后，結合R高職院校的實際數據分類要求，以及創新創業的變化范圍，計算出實際的誤分率：

圖2 數據波動變化圖示

式中， 表示實際的誤分率； 表示迭代挖掘次數； 表示模糊分類均值。通過上述計算，最終得出3個測試組的實際誤分率結果如表2所示。

表2 測試結果對比分析表

根據表2，與傳統測試組相比，本文所設計方法得出的誤分率相對較低，表明其對于P高職院校的創新創業數據的分類效果更佳，具有實際的應用效果。

3 結束語

為了提高應用型高校創新創業數據的分類效果，本文設計基于數據挖掘的應用型高校創新創業數據分類方法。設定具體的分類目標，結合應用型高職院校的創新創業需求與標準，制定相應的分類處理方案，優化數據分類結構。實驗結果表明本文方式更加靈活，可以在復雜的創新創業環境之下，提升數據處理的效果，推動創新創業目標更快實現。■