国民体质测试中数据挖掘的应用分析
来源:用户上传
作者:
摘 要：在国民体质测试中，数据处理一直是测试工作的重点内容，对各项有价值的数据不能够及时掌握，影响了测试的准确性。数据挖掘是发掘具有潜在价值的数据，并且能够指出数据之间的内在联系，对国民体质测试具有重要意义。随着我国国民体质测试中大量数据的堆积，数据挖掘的作用越来越明显，因此要重视国民体质测试中数据挖掘的价值。本文就当前数据挖掘的应用进行分析。
关键词：国民体质测试 数据挖掘 应用分析
中图分类号：G80 文獻标识码：A 文章编号：2095-2813（2019）04（a）-0222-02
2016年《“健康中国2023”规划纲要》的提出，标志着我国国民体质发展进入了一个新的阶段。自2000年起，我国落实每5年一次的国民体质测试工作，积累了大量国民体质测试数据，传统的数据处理办法不能够完全发掘出数据的价值，对国民体质的健康状况的测试准确率不足，难以进行科学评价。数据挖掘，是对数据库进行分析，挖掘所需信息并予以处理，是发现所需知识的方法，具体包括数据分析、预处理及转换等。现阶段，我国在开展体质测试中，对数据挖掘这一技术的应用研究较少，以致这一方法推广中遇到阻碍。本文运用关联规则对数据挖掘算法进行研究，以期为这一技术的应用提供参考。
1 研究对象与方法
1.1 研究对象
本次研究对象为西安市某高校学生3660人，数据来源与西安市体质测试研究中心，体质测试与2015年8～11月完成。
1.2 研究方法
（1）首先构建高校学生体质测试的数据库，所用软件为SQL Server 2008数据库，每个学生体质测试的项目类型多样。
（2）试验通过BI Dev Studio软件，包括数据分析服务SSAS，数据集成服务SSIS，构建起关联规则的数据挖掘模型，创建决策树模型。
2 关联规则数据挖掘
2.1 数据预处理
目前，国民体质测试的数据库内，储存有海量数据，首先应实施预处理，对数据有出入之处加以纠正。数据预处理工作内容复杂，过程为：数据清理、数值化，前者是将缺失值清除，对离群值进行分析。而数据的数值化是将体质测试的总评结果分为优秀、良好、合格、不合格4个层级。
2.2 建立数据库
对于原始数据进行了数据预处理之后，留下了3482个测试数据其中男性1985人，女性1497人，个人信息涵盖体重、身高、年龄、性别、姓名、跳跃、肺活量，体前屈、引体向上、台阶指数、反应时间、仰卧起坐，对每个测试对象进行编号。根据《国民体质测定标准》对原始数据处理，每个指标还需将体质等级、测试总分涵盖其中。
3 结果分析
3.1 挖掘结果
伴随挖掘数据量的提高，数据挖掘出的知识量也在增加，对其加以筛选，发掘出其中有用的知识。本次数据挖掘的结果如表1所示，表中体现了国民体质测试中单项指标与体质总评之间的关联规则，为本次研究决策提供参考依据。关联规则数据挖掘中，通过规则形式来对结果进行表达，各关联规则内均须有相应的重要性、概率分析、适用对象及规则结果。
本次国民体质测试中数据挖掘出的关联规则包括新知识规则、验证性规则，这些规则在分析知识一般规律中，有重要价值，为国民体质测试后进行决策提供了重要的参考依据。
3.2 规则解析
表1中列举的规则，可对不同单项指标给体质总评造成的影响予以反映。规则1表明，在体质总评结果为优秀的男生中，65.1%的跳跃能力与肺活量测试指标为优;规则2则表明52.3%的跳越能力较为优秀的男生体质总评成绩为良好;规则3表明有89.2%的总评成绩为优秀的女生跳跃能力与仰卧起坐测试成绩都较为优秀;规则4反映出有45.4%总评成绩为良好的女生仰卧起坐成绩优秀;规则5表明有65.4%总评良好的女生仰卧起坐成绩优秀，其身高体重规则也较为优秀;规则6表明48.9%的总评为良好的男生身高体重规则较为优秀，肺活量测试成绩也较为优秀;规则7反映出有47.5%的进行台阶运动测试成绩为优秀的女生总评结果为良好;规则8表明有44.7%总评成绩为良好的女生肺活量测试成绩较为优秀;规则9表明有62.4%总评成绩为优秀的男生引体向上与反应时间都较为优秀。
4 结语
根据数据挖掘的结果，对男女生需要采用不同的体质锻炼方法，男生着重于耐力与心肺功能的锻炼，辅助以爆发力与协调能力的锻炼，女生则着重于爆发力与心肺功能，辅助以协调与耐力的锻炼。本次数据挖掘结果得出的决策来自于数据挖掘出的相关规则，可以看出关联规则的数据挖掘在国民体质测试中具有较为优秀的表现，因此相关测试者在进行测试时，可以采用数据挖掘的方法进行体质测试，这样能够在大量的数据中准确地发现有价值的数据，从而能够更为便捷地进行数据分析，为国民体质提升做出较为精准的决策，全面提升体质测试的效果。
参考文献
[1] 胡精超，王莉.数据挖掘在国民体质测试中的应用研究[J].哈尔滨体育学院学报，2017，35（2）：6-11.
[2] 胡精超，王莉.数据挖掘在大学生体质健康测试中的应用研究[J].吉林体育学院学报，2017，33（3）：8-11.
[3] 马强.数据挖掘中决策树算法的优化应用研究[J].电子测试，2016（4X）：30-31.
转载注明来源:https://www.xzbu.com/1/view-14836470.htm
