教育數(shù)據(jù)挖掘技術(shù)的可解釋性研究

目錄
1 緒論 1
1.1 研究背景和意義 1
1.1.1 本書的研究背景 1
1.1.2 研究意義 2
1.2 國內(nèi)外研究進展 3
1.2.1 機器學習模型的可解釋性 3
1.2.2 EDM中的可解釋性研究 8
1.2.3 當前研究存在的問題 11
1.3 本書主要研究內(nèi)容及工作 12
1.3.1 本書主要研究內(nèi)容 12
1.3.2 本書的工作 12
1.4 本書組織結(jié)構(gòu) 14
2 基礎(chǔ)知識介紹 15
2.1 EDM技術(shù) 15
2.2 本書涉及的應用問題 17
2.2.1 互聯(lián)網(wǎng)行為預測學生表現(xiàn) 17
2.2.2 就業(yè)層次預測 18
2.3 EDM中常見的分類模型及其可解釋性 19
2.3.1 常見分類模型 19
2.3.2 模型的可解釋性 24
2.4 預測模型的評估標準 27
2.5 本書所涉及數(shù)據(jù)集的介紹 28
2.5.1 教育數(shù)據(jù)集 28
2.5.2 其他數(shù)據(jù)集 33
2.6 本章小結(jié) 34
3 一個理解原始數(shù)據(jù)集的處理流程 35
3.1 引言 35
3.2 IIOD-DU流程 36
3.2.1 流程概述 36
3.2.2 兩種特征選擇方法 38
3.3 實驗結(jié)果與分析 40
3.3.1 數(shù)據(jù)集 40
3.3.2 理解問題的難度 40
3.3.3 理解類標 42
3.3.4 理解特征 46
3.4 本章小結(jié) 50
4 一種兩階段的數(shù)據(jù)準備方法 51
4.1 引言 51
4.2 TSDP方法 52
4.2.1 方法概述 52
4.2.2 I階段分析 53
4.2.3 II階段的分析 56
4.3 兩種事后解釋方法 57
4.4 實驗 57
4.4.1 實驗一：驗證TSDP方法的有效性 57
4.4.2 實驗二：使用事后解釋法理解特征 57
4.5 本章小結(jié) 57
5 一種基于認知的黑盒模型解釋方法 57
5.1 相關(guān)知識介紹 57
5.1.1 流行學習技術(shù) 57
5.1.2 人的分類學習 57
5.2 HCLI方法 57
5.2.1 方法概述 57
5.2.2 原型解釋 57
5.2.3 范例解釋 57
5.3 實驗 57
5.3.1 人工合成數(shù)據(jù)集 57
5.3.2 UCI數(shù)據(jù)集 57
5.3.3 真實數(shù)據(jù)集 57
5.4 本章小結(jié) 57
6 一種跨模型評估可解釋性的研究框架及其實現(xiàn) 57
6.1 引言 57
6.2 EIDM研究框架 57
6.3 提取特征 57
6.4 測量可解釋性 57
6.4.1 調(diào)查問卷的設(shè)計 57
6.4.2 調(diào)查問卷的實施 57
6.5 標注類標 57
6.6 構(gòu)建評判模型 57
6.7 實驗結(jié)果與分析 57
6.7.1 驗證調(diào)查的合理性 57
6.7.2 評估判別模型的性能 57
6.7.3 實驗小結(jié) 57
6.8 本章小結(jié) 57
7 一種基于用戶滿意度的聚類方法 57
7.1 聚類質(zhì)量評價 57
7.2 USBC方法 57
7.2.1 方法概述 57
7.2.2 最優(yōu)化模型 57
7.2.3 模型求解 57
7.2.4 聚類結(jié)果再聚類 57
7.3 實驗過程及結(jié)果分析 57
7.3.1 UCI數(shù)據(jù)集 57
7.3.2 真實數(shù)據(jù)集 57
7.4 本章小結(jié) 57
參考文獻 57