淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1707200700453000
中文論文名稱 諮詢系統自我評量能力的建立與探討
英文論文名稱 Establish Self-Assessment Consultant System by Data Mining Approach
校院名稱 淡江大學
系所名稱(中) 資訊工程學系碩士在職專班
系所名稱(英) Department of Computer Science and Information Engineering
學年度 95
學期 2
出版年 96
研究生中文姓名 曾伊禪
研究生英文姓名 Yi-Chan Tseng
學號 794190164
學位類別 碩士
語文別 中文
口試日期 2007-06-21
論文頁數 59頁
口試委員 指導教授-蔣定安
委員-葛煥昭
委員-王鄭慈
中文關鍵字 決策樹  關聯式法則  決策分析  自我評量表 
英文關鍵字 Decision Trees  Association rules  Decision analysis  Self-Assessment Table 
學科別分類 學科別應用科學資訊工程
中文摘要 評量表是一種可以快速了解,我們輔導對象目前狀況的一個工具,而目前評量大部分均以固定型式問卷來表示,這樣評量表不但較為空洞泛味,而且也常常流於形式,而大大的降低評量表的功效為了要讓問卷可以更有效發揮功能,縮短問卷問答題數或者加強重要題目的比重是必要的,為了達到這個目的我們期望,可以透過資料採礦的技術與問卷結果的搜集,進而分析計算出一份問卷題型最佳組合,為了要計算出最佳組合,我們透過IM8(Intelligent Miner for Data 8.2)將資料以決策樹(Decision Trees)及關聯式分析
(Association riles)分別做出相關分析,對於問卷我們先將問卷題目以分類向做一群比,更把整份問卷的回答過程模擬為樹的尋訪根據資料採礦的分析結果作為樹尋訪時,選擇節點的依據,如此一來便能以最佳路徑的演算法得一個最佳的組合。
關鍵字:決策樹、關聯式法則、決策分析、自我評量表
英文摘要 Assessment sheet is one kind of tools to quickly understand the present situations of the counseling object. Most assessment sheets are presented by the fixed questionnaire nowadays; however, it is a tedious and modal way. This would lower the efficiency of the assessment. In order to let the questionnaire have the most efficiency, it is necessary to decrease the number of questions or increase the proportion of the important questions. To achieve the target, we expect to use the technique of Data Mining and the collection of the poll results; then to analyze and obtain the optimized combination of assessment sheet. We finished the related analysis by using decision trees and association riles methods through IM8 (Intelligent Miner for Data 8.2). We first group the assessment sheets by the subjects and then simulated the filling procedure to be the searching base of tree. The analysis result of Data Mining is used to be the reference of selection nodes when searching the trees. Consequently, the optimized combination is obtained with the algorism of optimized path.
論文目次 目 錄
第一章緒論 1
1.1研究動機與目的 1
1.2研究內容 2
1.3組織架構 4
第二章 背景知識 6
2.1資料採礦說明 6
2.2決策樹分析 8
2.3關聯式規則分析 17
第三章研究方法 24
3.1原始資料說明與處理 24
3.2關聯式法則分析 28
3.3決策樹分析 32
3.4以最佳路徑演算法求出最佳類型組合 40
第四章研究結果討論 47
4.1結果討論 47
4.2未來展望 49
第五章結論 51
參考文獻 / Reference 52
表 目 錄
表3.1.4「學習與讀書策略量表」填寫範例 26
表3.1.5原始分數計算表範例 27
表3.1.6百分等級表範例 27
表3.1.7百分等級換算後之結果資料表 28
表3.2.1以編號為基礎學習策略表格 29
表3.2.2以規則長度2資料表 30
表3.2.4以規則長度4資料表 30
表3.2.5篩選無意義的關聯結果 31
表3.4.1最小路徑範例 44
表3.4.2選取讀書策略順序的最小路徑結果 45
圖 目 錄
圖.3.3.1決策樹分析學習策略考試不好的結果 33
圖.3.3.3決策樹分析學習策略自我測驗不好的結果 33
圖.3.3.4決策樹分析學習策略自我測驗良好的結果 34
圖.3.3.5決策樹分析學習策略時間管理不好的結果 34
圖.3.3.6決策樹分析學習策略時間管理良好的結果 34
圖.3.3.7決策樹分析學習策略訊息處理不好的結果 35
圖.3.3.8決策樹分析學習策略訊息處理良好的結果 35
圖.3.3.9決策樹分析學習策略動機不好的結果 35
圖.3.3.10決策樹分析學習策略動機良好的結果 36
圖.3.3.11決策樹分析學習策略專心不好的結果 36
圖.3.3.12決策樹分析學習策略專心良好的結果 36
圖.3.3.13決策樹分析學習策略焦慮不好的結果 37
圖.3.3.14決策樹分析學習策略焦慮良好的結果 37
圖.3.3.15決策樹分析學習策略解決學習困難良好的結果 37
圖.3.3.16決策樹分析學習策略態度不好的結果 38
圖.3.3.17決策樹分析學習策略態度良好的結果 38
圖.3.3.18決策樹分析學習策略學習輔助術不好的結果 38
圖.3.3.19決策樹分析學習策略學習輔助術良好的結果 39
圖.3.3.20決策樹分析學習策略選擇要點不好的結果 39
圖.3.3.21決策樹分析學習策略選擇要點良好的結果 39
圖.3.4.1根據關聯式法則做樹尋訪示意圖 40
圖.3.4.2讀書策略所有組合樹 41
圖.3.4.3選擇題目數量與涵蓋讀書策略示意圖 42
圖.3.4.4決策樹分析學習策略焦慮不好的結果 46
圖.4.1.1選擇題目數量與涵蓋讀書策略示意圖 48
圖.4.1.2諮詢系統流程圖 49

參考文獻 Berry, L.L. & Linoff, G. S. (2002). Mastering Data Mining, The Art & Science of Customer Relationship Management. NY: John Wiley & Sons.

Todman, C. (2001). Designing a Data Warehouse: Supporting Customer Relationship Management. Upper Saddle River, NJ: Prentice Hall.

Data Structure & Their Algorithms, Harry R. Lewis and Larry Denenberg.

S. Chakrabarti. Mining The Web: Discovering Knowledge From Hypertext Data.
Morgan Kaufmann, San Francisco, CA, 2002.

C. Cortes and M. Mohri. AUC optimization vs. error rate minimization. In Advances in Neural Information Processing Systems(NIPS 2003), 2004.

D. Dash and G. F. Cooper. Model averaging for prediction with discrete bayesian networks. Journal of Machine Learning Research, 5:1177–1203, 2004.
J. T. Wijnen, H. F. A. Vasen, P. M. Khan, A. H. Zwinderman, H. Van Der Klift, A. Mulder, C. Tops, P. Moller, and R. Fodde. Clinical ¯ndings with implications for genetic testing in families with clustering of colorectal cancer. N. Engl. J. Med., 339:511{518, 1998.

J.R Quinlan, “C4.5:Programs for machine Learning” , San Mateo, Calif.: Morgan Kaufmann, 1993.

Stuart Russell, Peter Norving, “Artifical Intelligence a Modern Approach.” Prentice-Hall Internation Editions.

R. Agrawal and R. Srikant, “Mining Sequential Patterns,” Proceedings of the 11th International Conference on Data Engineering, Taipei, Taiwan, pp. 3-14, March 1995.

R. Srikant and R. Agrawal, “Mining Sequential Patterns: Generalizations and Performance Improvements,” Proceedings of the 5th International Conference on Extending Database Technology, Avignon, France, pp. 3-17, 1996. (An extended version is the IBM Research Report RJ 9994)
J.R Quinlan, “Induction of Decision Tree.” Machine Learning,vol. 1 no. 1,pp. 81-106, 1996

李延震,”資料探勘-學習與讀書策略”,淡江大學資訊工程學系研究所碩士論文,2006。

吳育儒,”決策樹中移除不相關值問題的研究”,淡江大學資訊工程學系,1998。

謝宗翰,”關聯式法則之複合式後項探勘演算法”,淡江大學資訊工程學系,2004。
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2007-07-26公開。
  • 同意授權瀏覽/列印電子全文服務,於2007-07-26起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信