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(yǎng)得到了各個行業(yè)的重視，創(chuàng)新創(chuàng)業(yè)教育成為職業(yè)教育人才培養(yǎng)的主流趨勢[1-2]。在教育過程中將創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)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(chuàng)新創(chuàng)業(yè)數(shù)據(jù)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(shù)據(jù)分類方法[3-4]。

數(shù)據(jù)挖掘對于龐大數(shù)據(jù)的處理效果更佳，處理形式也較為靈活。本文基于數(shù)據(jù)挖掘技術提出應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)分類方法。與傳統(tǒng)的數(shù)據(jù)分類模式相比，本文所設計的數(shù)據(jù)分類方式創(chuàng)新性地在復雜的處理環(huán)境之下，明確劃定數(shù)據(jù)處理區(qū)域；結合所設立的創(chuàng)新創(chuàng)業(yè)執(zhí)行目標，核定更加精準的分類結果；在數(shù)據(jù)挖掘的輔助支持之下，提升了整體的數(shù)據(jù)分類處理效果。

1 數(shù)據(jù)挖掘下應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)分類方法設計

1.1 數(shù)據(jù)分布預處理

在對應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)進行挖掘分類之前，需要先進行數(shù)據(jù)分布的預處理[5]。結合應用型高職院校的創(chuàng)新創(chuàng)業(yè)實際情況，劃定具體的數(shù)據(jù)處理區(qū)域，提取數(shù)據(jù)的分布特征，在預設的標準以及范圍之內(nèi)，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(shù)據(jù)分布預處理結構圖示

根據(jù)圖1，可以建立數(shù)據(jù)分布預處理結構。依據(jù)該結構，結合數(shù)據(jù)挖掘技術，進行分布目標的關聯(lián)；在合理的分布范圍之內(nèi)，完成對數(shù)據(jù)分類目標的項集預處理。

1.2 設定特征數(shù)據(jù)分類目標

在完成數(shù)據(jù)分布預處理之后，需要設定特征數(shù)據(jù)的分類目標[7]。特征數(shù)據(jù)分類目標是指通過提取數(shù)據(jù)特征劃定具體的分類層級。需要注意的是，數(shù)據(jù)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(nèi)容計算創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)特征分布權系數(shù)：

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

1.3 模糊數(shù)據(jù)挖掘分類結構設計

基于上節(jié)設定的特征數(shù)據(jù)分類目標，設計模糊數(shù)據(jù)挖掘分類結構。先結合數(shù)據(jù)的實際數(shù)量，預設數(shù)據(jù)的實際分類范圍，將測定數(shù)據(jù)的模糊特征分布集設為在[-1，1]的區(qū)間之內(nèi)，劃定數(shù)據(jù)挖掘的實際應用范圍。

同時，根據(jù)特征模板，設定分類控制指數(shù)，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(shù)據(jù)挖掘分類結構設計。

1.4 雙向關聯(lián)數(shù)據(jù)挖掘分類模型構建

根據(jù)模糊數(shù)據(jù)挖掘分類結構，構建雙向關聯(lián)數(shù)據(jù)挖掘分類模型。劃定基礎的分類條件與處理標準，計算數(shù)據(jù)分類模型的雙向挖掘比：

基于雙向關聯(lián)規(guī)則，對數(shù)據(jù)進行模糊統(tǒng)計；設定高層級的數(shù)據(jù)分類序列，在每一個分類處理序列之間劃定允許出現(xiàn)的誤差標準為0.15。數(shù)據(jù)分類自適應度函數(shù)計算如下：

1.5 基于特征重構法實現(xiàn)應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)分類

基于雙向關聯(lián)數(shù)據(jù)挖掘分類模型，采用特征重構法實現(xiàn)應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)的分類?；跀?shù)據(jù)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(shù)據(jù)分類邊緣值標準設定表

根據(jù)表1設定重構數(shù)據(jù)分類邊緣值標準，實現(xiàn)數(shù)據(jù)挖掘技術下應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)的分類。

2 方法測試

驗證數(shù)據(jù)挖掘下應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)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(tǒng)的線性回歸數(shù)據(jù)分類處理方法；測試組2為傳統(tǒng)的物元數(shù)據(jù)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(shù)據(jù)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(qū)域。結合數(shù)據(jù)分類樣本，計算出控制權重系數(shù)：

在測試之前，根據(jù)測定的范圍和創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)的數(shù)量，設定數(shù)據(jù)分類的迭代次數(shù)為650，測定周期為6周，標準完成比為T=0.25。在數(shù)據(jù)挖掘的輔助支持之下，設定數(shù)據(jù)的分類目標。將整合的P高職院校4個班級創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)依據(jù)種類添加在不同的處理層級。

結合數(shù)據(jù)挖掘模式，構建二次數(shù)據(jù)分布的不規(guī)則空間聚類數(shù)據(jù)處理模型，構建模糊的數(shù)據(jù)分類環(huán)境，計算出具體的數(shù)據(jù)挖掘模糊系數(shù)：

2.2 測試過程及結果分析

在搭建的測試環(huán)境之中，根據(jù)數(shù)據(jù)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(shù)據(jù)處理信息，同時建立對應的分類結構，進行數(shù)據(jù)聚類收斂比的計算：

根據(jù)圖2，可以完成對創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)波動變化的掌握。隨后，結合R高職院校的實際數(shù)據(jù)分類要求，以及創(chuàng)新創(chuàng)業(yè)的變化范圍，計算出實際的誤分率：

圖2 數(shù)據(jù)波動變化圖示

式中， 表示實際的誤分率； 表示迭代挖掘次數(shù)； 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(jù)表2，與傳統(tǒng)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(chuàng)新創(chuàng)業(yè)數(shù)據(jù)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(chuàng)新創(chuàng)業(yè)數(shù)據(jù)的分類效果，本文設計基于數(shù)據(jù)挖掘的應用型高校創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)分類方法。設定具體的分類目標，結合應用型高職院校的創(chuàng)新創(chuàng)業(yè)需求與標準，制定相應的分類處理方案，優(yōu)化數(shù)據(jù)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(chuàng)新創(chuàng)業(yè)環(huán)境之下，提升數(shù)據(jù)處理的效果，推動創(chuàng)新創(chuàng)業(yè)目標更快實現(xiàn)?！?/p>