栅格数据转矢量数据

第一篇：栅格数据转矢量数据

一个土建工程师应掌握的数据(转)

一、普通住宅建筑混凝土用量和用钢量：

1、多层砌体住宅： 钢筋30KG/m2 砼0.3—0.33m3/m2

2、多层框架 钢筋38—42KG/m2 砼0.33—0.35m3/m2

3、小高层11—12层 钢筋50—52KG/m2 砼0.35m3/m2

4、高层17—18层 钢筋54—60KG/m2 砼0.36m3/m2

5、高层30层H=94米 钢筋65—75KG/m2 砼0.42—0.47m3/m2

6、高层酒店式公寓28层H=90米 钢筋65—70KG/m2 砼0.38—0.42m3/m2

7、别墅混凝土用量和用钢量介于多层砌体住宅和高层11—12层之间

以上数据按抗震7度区规则结构设计

二、普通多层住宅楼施工预算经济指标

1、室外门窗(不包括单元门、防盗门)面积占建筑面积0.20—0.24

2、模版面积占建筑面积2.2左右

3、室外抹灰面积占建筑面积0.4左右

4、室内抹灰面积占建筑面积3.8

三、施工功效

1、一个抹灰工一天抹灰在35平米

2、一个砖工一天砌红砖1000—1800块

3、一个砖工一天砌空心砖800—1000块

4、瓷砖15平米

5、木工一天12个平方

5、刮大白第一遍300平米/天，第二遍180平米/天，第三遍压光90平米/天

四、基础数据

1、混凝土重量2500KG/m3

2、钢筋每延米重量0.00617*d*d

3、干砂子重量1500KG/m3，湿砂重量1700KG/m3

4、石子重量2200KG/m3

5、一立方米红砖525块左右(分墙厚)

6、一立方米空心砖175块左右

7、筛一方干净砂需1.3方普通砂

一点不同观点：

1、一般多层砌体住宅： 钢筋25-30KG/m2，其中经济适用房为16--18KG/m2.

2、一般多层砌体住宅，室外抹灰面积占建筑面积0.5--0.7。

3、一般多层砌体住宅，模版面积占建筑面积1.3--2.2，根据现浇板多少、柱密度变化很大。

4、一个砖工一天砌240砖墙1000—1800块，370或500墙2000--3000块。

5、钢筋混凝土重量2200KG/m3 ，素混凝土重量2100KG/m3。

6、工程石子重量1800KG/m3 。 )

第二篇：CorelDRAW生成条码如何转成矢量图（定稿）

CDR条码 如何转成矢量图

之前在coreldraw里制作条码是一个挺烦的事情 又不想借助外部插件完成 然后coreldraw制作出来的条码是一个corel barcode对象 完全不能编辑文字的字体 国内的条码字体标准是OCR-B 10 Pitch BT当然条码可以通过转位图再转矢量的操作来转 文字总不能一个个打上去再变字号字体吧 麻烦

偶然的看到了有一位网友提供的条码转矢量办法 又能编辑文字 在此分享一下

(图一)

(图二)

当然 首先先从coreldraw里的条码生成工具制作出条码对象 编辑-插入条形码-选择EAN-13-然后一直下一步生成

(图三)

然后在条码上加个框包围如(图三)然后一起选中 选择效果-透镜-

选择透明度透镜-比率100%-然后点击冻结别忘了把锁头图标点击打开-最后点应用就完成了

看看文字是不是可以编辑换字体 换成OCR-B 10 Pitch BT吧 别忘了把其余的东西去掉 过程看起来很多 其实操作起来很简单

方法二：

将字体安装到字体文件夹中，如果先前安装过OCR-B 10 Pitch BT请删除后再安装! 这样在CORELDRAW中做EAN-13条码生成的字体就是标准的OCR-B 10 Pitch BT。 附：如何更改CORELDRAW条码字体大小 在WINDOWS目录下找到barcode.ini 在下面找到Size=?

将?号改成你想更改的字号大小。

第三篇：25：如何操作数据备份、数据恢复、数据导出、数据导入

区别：

数据备份：备份的全部数据，包括基础数据和营业数据; 数据导出：导出的只有基础数据，没有报表数据。 数据恢复：恢复的是全部数据;

数据导入：导入的只有基础数据，没有报表数据。

16.1数据备份

数据备份：备份系统的全部数据，包括基础数据(菜品信息、台位信息、原料信息、员工信息等)和营业数据(账单信息、报表信息等)。数据备份分为手工备份和自动备份。

如何做手工备份：在D盘、E盘或者桌面上建一文件夹，在服务控制台窗口，停止服务器，

控制台-数据备份，如下图BC036

图BC036

点击数据备份，如下图BC037

图BC037

点击打开按钮，即数据备份成功。

可以在软件里设置系统自动备份的路径，设置之后，每次退出服务器时，系统会自动备份全部数据，以防因操作系统出问题而导致数据丢失。

设置方法：在服务控制台窗口，打开控制台-服务器配置，选择数据备份，选择自动备份和备份路径，如下图BC038

图BC038

点击确定按钮，即设置完成。

16.2数据恢复

数据恢复：将系统的全部数据恢复到备份时的状态。 在服务控制台窗口，停止服务器，

控制台-数据恢复，点击数据恢复，选择原来备份的文件夹，点击数据恢复，如下图BC038

图BC038 点击打

开

按

钮

，

提

示

，

点击是，即数据恢复成功。

用处：数据备份，数据恢复，在重新做操作系统，重新安装软件的时候用到，数据备份以防数据丢失，数据恢复，恢复到备份时的状态。

16.3数据导出

数据导出：把系统里面的基础数据(菜品信息、台位信息、原料信息、员工信息等)导出到一个文件夹中。方法：在D盘、E盘或者桌面上建一文件夹，在服务控制台窗口，选择控制台数据导出，选择要导出数据的文件夹，点击打开按钮，即导出数据成功。

16.4数据导入

数据导入：把系统里面已经导出的基础数据(菜品信息、台位信息、原料信息、员工信息等)导入到软件系统中。方法：在服务控制台窗口，选择控制台数据导入，选择已经导出数据的文件夹，点击打开按钮，即导入数据成功。

用处：数据导出，数据导入主要应用在，客户安装上试用版软件之后，导入了软件默认的演示数据，操作软件之后，系统里面有一些营业数据，要清除营业数据，只能通过数据导出，导入实现。把基础数据导出到一个文件夹，退出服务器，把软件御了，重新安装软件，启动服务器时，不要导入系统自带的演示数据，之后，用数据导入，选择已经导出数据的文件夹，将自己店的营业数据导入进去。

第四篇：大数据时代的“数据解读”

褚宝福 鲍静 摘 要：大数据时代提高学生解读数据能力是我们提升教学有效性的新课题。面对《经济生活》教材中的众多经济数据，我们不能止步于浅层次的文本阅读，还需要将它们从“知识”“情感”和“思想”三个维度上进行解读，使其融入知识、能力及情感态度价值观“三维”目标之中，为拓宽学生知识视域、提升学习能力、培育正性情感、树立正确价值观服务。 关键词：经济数据 知识性解读 能力性解读 思想性解读 褚宝福，男，浙江省嘉善高级中学，中学高级教师;鲍静，女，浙江省嘉善高级中学，中学一级教师。 大数据时代，学会正确解读数据已成为人们应具备的重要技能之一。因此，培养和提升学生解读数据能力就成为我们提升教学有效性的新课题。普通高中思想政治课教科书中设置了大量的数据，仅人民教育出版社2014年3月第6版普通高中必修

一、经济数据的知识性解读 所谓知识性解读，指的是教师在教学时，能够从纵横两个视角引导学生对《经济生活》中的数据进行解读，让学生获取相关的经济学知识，以达成思想政治课的知识目标。 1.基于纵向视角的知识性解读。从纵向视角对经济数据进行知识性解读，强调的是对一定的经济数据进行历史性考察，并据此解读出相应的经济学知识。如对教科书第10页“2010年4月8日人民币对美元的汇率中间价为682. 59，2013年4月8日人民币对美元的汇率中间价为626.5”这一数据，我们的历史性考察分两步：首先是选择四个典型的历史时期来考察汇率情况。一是1953年到1972年，国家实行计划经济，实行严格管制和固定不变的汇率政策，使人民币对美元的汇率基准价长期稳定在246.1上。二是1981年至1993年，国家实行对外开放，发展社会主义市场经济，为扶持出口，增加外汇收入，人民币对美元的汇率基准价控制在149和195.8之间。其中1985年至1993年国家为平衡国际收支，实行官方牌价与外汇调剂价格并存的政策，使人民币对美元的汇率基准价由293.6逐渐上升到576.2。三是1994年至2005年，为进一步完善发展社会主义市场经济体制，国家逐步形成了以市场供求为基础的、单一的、有管理的浮动汇率制。人民币对美元的汇率基准价保持在835与819间浮动。四是2005年7月21日起至今，实行以市场供求为基础的、参考一蓝子货币进行调节、有管理的浮动汇率制度。人民币对美元的汇率基准价水平由797上升到619，并呈稳中有升的特点。其次，在上述四个时期考察的基础上，我们可引导学生解读出这样一些基本的经济学知识：一是我国的汇率政策是为适应并促进不同时期经济社会发展的需要而制定的，期间经历一个由严格管制向市场逐渐过渡的历史过程，并呈日趋市场化开放化的发展趋势。二是汇率是以另一国货币来表示的本国货币的价格，其高低最终由外汇市场决定，但同时也会受到国家政策等因素的影响;三是一国汇率数据的变动会对该国经济发展和居民生活带来一定的影响。我国人民币汇率总体呈上升趋势，这对我国经济发展和人民生活既有利也有弊，需要我国防范汇率风险等。 2.基于横向视角的知识性解读。从横向视角对经济数据进行知识性解读，强调的是对经济数据横向间的各类关系进行分析，并解读出其中所蕴涵的经济学知识。如对教材第66页“财政收入”这一数据，我们的知识性解读也分两步进行：首先将教材上“2012年财政收入”来源项目细化，并选择典型项目进行横向分析。一是分析财政收入、税收收入、非税收收入的数量及关系：2012年财政收入117210亿元(不含债务收入)，税收收入100601亿元，非税收收入16639. 24亿元，分别占全部财政收入的85. 83%和14. 20%。二是分析税收中几个主要税种的数量及关系：国内增值税26415.5亿元、国内消费税7875. 58亿元、营业税15747. 64亿元、企业所得税19654亿元、个人所得税5820. 28亿元、关税103.5亿元等，其中国内增值税已成为我国目前税收的主要来源，企业所得税次之，营业税居第三，然后是国内消费税和个人所得税，关税数量较少。三是分析非税收收入中主要项目数量及关系：行政事业性收费4579. 54亿元、国有企业利润1154. 02亿元、罚没1559. 81亿元等，其中行政事业性收费最多位居第一，而国有企业上交利润相对比较少，低于各类罚没收入。四是几类主要国有企业利润数量及关系：烟草企业252. 64亿元、石油化工企业308.

45、电力企业76. 74亿元、煤炭企业106. 54亿元、电信企业106. 90亿元、电子企业1. 65亿元、金融企业0.33亿元、转制科研企业1.88亿元等，其中石油化工、煤炭、电力等资源类国有企业利润占总利润的42. 61%，而科技为主的国有企业利润只占总利润的9.5%。其次在上述分析的基础上，我们可引导学生解读出这样一些基本经济学知识：一是税收是依法取得财政收入的基本形式，是财政收入的主要来源。二是增值税、营业税、企业所得税等是国家收入的主要来源，但也直接影响企业的生存和发展。当前的税收改革特别是“营改增”，对国家税收总量及企业发展与竞争力影响甚大。三是非税收收入中行政事业性收费太多，而国有企业上交利润偏低，与国有经济的性质、地位及作用不匹配。四是国有企业利润结构不合理，其中资源类国有企业的利润占利润总量过高而科技类国有企业利润偏低，这表明我国仍需要大力推进经济发展方式的转型升级。

二、经济数据的能力性解读 所谓能力性解读，指的是教师在教学时，能够引导学生运用比较、综合两种方法对《经济生活》中的经济数据进行解读，提升学生分析数据和概括数据的能力，以达成思想政治课的能力目标。 1.基于比较方法的能力性解读。运用比较方法对经济数据进行能力性解读，强调的是对不同的经济数据，依据一定的标准进行相应的比较，以培养和提升学生分析数据的能力。如对教材第82页虚线框中的“农村居民人均纯收入”和“城镇居民人均可支配收入”数据的能力性解读，可分下述两种情况：首先，对同一经济主体在不同时间点上的数据进行纵向比较性解读，以培养学生纵向分析数据的能力。如可将教材82页上“农村居民”和“城镇居民”两类经济主体的经济数据，分别补充上2013年和2014年的最新数据，形成下述比较表格： 依据上述表格数据，引导学生分别分析从2009年至2014年农村居民人均纯收入和城镇居民人均可支配收入数据变动的特点：城乡居民人均收入逐年增加，但农村居民收入增长速度快于城镇等。其次，对同一时间点上不同经济主体的数据进行横向比较性解读，以培养学生横向分析数据的能力。我们同样可依据上述表格，引导学生分析我国在2009年至2014年期间，每年农村居民和城镇居民人均收入数据的差异情形：城镇居民收入高于农村居民，绝对差距数据在拉大等。 2.基于综合方法的能力性解读。运用综合方法对经济数据进行解读，强调的是在一定的范围内对不同经济主体的经济数据进行相应的综合，以培养学生的数据概括能力。一般我们可选择两种主要范围展开综合性解读：首先就同一教学单元中的经济数据进行综合性解读，以培养学生从单元经济数据中概括出相应结论的能力。如对第二单元“生产、劳动与经营”中的主要数据，我们按照因果联系的逻辑原则，将“我国主要产品产量居世界位次”、“城乡居民储蓄存款余额”、“储蓄存款利息和股票价格”、“投资理财的分配数额”、“保险理赔数额”等数据进行综合，形成下述数据体系：依据上述体系，引导学生对①②③④四组原因结果关系进行概括，可得到这样的结论：随着我国我国经济不断发展、经济实力不断增强，居民储蓄余额不断增加，同时由于国家经济的发展和居民储蓄余额的增加，会引起居民投资理财途径的多样，而这会进一步提高了居民的储蓄余额和国家经济的发展，由此在居民投资与国家经济发展间形成了相互促进的良性互动。总之，一国经济的发展与投资间存在着密切的关系，需要我们正确地处理。其次对教材中不同单元中经济数据进行综合性解读，以培养学生从不同单元经济数据中概括出相应结论的能力。如对第二单元“生产、劳动与经营”和第三单元“收入与分配”中的众多数据，我们同样可依照因果联系的逻辑原则，进行综合，形成下述综合体系： 依据上述体系，引导学生对①②③④⑤⑥六组原因结果关系进行概括，可得到这样的结论：第一，随着我国经济的发展，不仅带来居民投资增多和日趋多样，而且还促使国家财政收入、企业收入和居民收入不断提升及财政支出数量的增加。第二，我国居民投资和财政投资的增加，必然促进我国经济的发展。第三，国家财政收入的增加、企业利润、居民收入的不断提升，也必将推动我国经济的发展。第四，在国家财富一定情况下，投资的增加会引起收入的减少，而收入的增加会引起投资的减少，两者存在此消彼长的关系。第五，国家、企业和个人之间收入分配结构的变化会影响国家经济的发展，同样国家投资结构和居民投资变动也会影响国家经济的发展。总之，一国经济的发展既需要投资的作用，也需要消费的作用，因此必须协调好投资与消费的关系，实现经济的转型与持续发展。

三、经济数据的思想性解读 所谓思想性解读，指的是教师在教学时，能够引导学生从现象和原因两个层面对《经济生活》中众多经济数据进行解读，让学生接受情感熏陶和价值观教育，以达成思想政治课的情感态度价值观目标。 1.基于现象层面的思想性解读。经济数据本身较为抽象枯燥，缺乏情感，但与数据形成、变动相关的经济现象却是具体、丰富的。教学时，我们可借助这些现象进行情感性解读，让学生接受情感熏陶、培养学生积极向上的正性情感。如对教材89页中的“投资和消费对经济增长的贡献率”数据，我们在教学时可分两种情形进行：首先选择与“投资对gdp增长贡献率”的经济现象进行解读，如列举各省市县政府投巨资建设“美丽乡村”，培养学生热爱乡村的情感。其次，我们选择与“消费对gdp增长贡献率”数据相关的经济现象进行解读，如例举因书香社会建设而形成的“阅读消费”现象培养学生热爱读书的情感喜好。 2.基于原因层面的思想性解读。经济数据本身反映的是一种客观事实，显得呆板和冷漠，缺乏生动的教育性。但数据产生及变动背后的原因，却值得人深入思考。教学时借助这些数据背后的原因，我们可以让学生了解党和政府所做出的各种努力和探索，进而借此进行价值观教育，以帮助学生树立正确的价值观。如对教材89页中的“投资和消费对经济增长的贡献率”数据，我们可以对其进行补充扩展并形成下述表格，然后分两种情形进行解读。 首先选择“投资对gdp增长贡献率”数据进行原因性解读。我国2000年至2014年“投资对gdp增长贡献率”呈现由低到高、再由高到低的变动特点，主要原因有二：一是我国投资政策由偏向追求发展速度转向追求发展质量与效益，二是投资结构由偏重经济建设转向民生发展。这样的解读，不仅可使学生认识到我们党和政府立足经济发展的实际，制定和实施科学的投资政策，实现了经济的平稳运行，而且还能体会到政府在制定和实施投资政策时始终坚持“以人为本、以民为本”的出发点和落脚点，从而有利于学生树立乐于为国家、为民众奉献的正确价值观。其次选择“消费对gdp增长贡献率”数据进行原因性解析。自2010年后我国“消费对gdp增长贡献率”保持持续增长态势，其背后的重要原因是政府贯彻落实科学发展观，扩大内需、提高城乡居民生活水平，努力实现经济发展方式的转型。这样的原因解读，不仅让学生认识到政府根据经济发展的客观规律，充分发挥消费对经济的拉动作用，实现经济发展方式的转型，而且还能真正体会到政府在制定和实施消费政策时同样始终坚持提升人民生活水平、满足人民需要这一社会主义生产的本质与目的，从而有利于学生树立以人民利益为最高的价值标准和价值追求。 学会筛选、分析、解读数据，是大数据时代生存发展的必备技能。普通高中教科书中的数据，作为一种教学资源，不应该只停留于浅显的阅读文本层次上。我们需要站在培养学生适应时代发展要求的新高度来解读，将知识、能力、情感态度价值观等目标融入经济数据的教学之中，让枯燥的、抽象的，甚至是呆板的、冷漠的经济数据富有灵性，充满情感。 (责任编辑：刘丹)

第五篇：数据仓库与数据挖掘论文

决策树在教学评价中的应用研究

摘 要 决策树学习是人们广泛使用的一种归纳推理形式。先就决策树和决策树学习算法进行介绍，然后用实例阐述决策树在教育信息处理中的应用，主要以在教学评价中的应用为例来加以介绍。

关键词 决策树;数据挖掘;教育信息处理;教学评价

当今社会处于一个信息爆炸的时代，海量的数据可以用来选择和发掘信息，然而有时却让人无从下手，因此数据挖掘技术受到人们的高度关注。数据挖掘是从大量的、不完全的、有噪声的、模糊的或者随机的数据中提取人们事先不知道的但又是有用的信息和知识的过程。它的方法很多，其中决策树是一种解决实际应用分类问题的数据挖掘方法。在教育教学中，根据决策树算法的实际特点，它可以在教育信息处理中的信息采集上发挥很大的作用。

1 决策树介绍

决策树学习是人们广泛使用的一种归纳推理形式。决策树起源于概念学习系统，其思路是找出最有分辨能力的属性，把数据库划分为许多子集(对应树的一个分枝)，构成一个分枝过程，然后对每一个子集递归调用分支过程，直到所有子集包含同一类的数据。最后得到的决策树能对新的例子进行分类。它一般是从一组无次序、无规则的事例中推理出决策树表示形式的分类规则。它一般需要给定一组训练例子，训练例子一般被看成用于创建模型的数据集。由此可以看出，决策树是一个类似于流程图的树结构，其中每一个内部结点表示对一个属性的测试，每一个分支代表一个决策输出，而每个叶节点代表一个目标分类。决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子结点即为实例所属的分类，树上每个节点说明对实例的某个属性的测试，节点的每个后继分支对应于该属性的一个可能值。假如需要根据人员的外貌特征对人员进行分类，用于人员的外貌特征有3个，外貌列表={高度,发色,眼睛};各属性的值域分别为：高度={高,矮}，发色={黑色,红色,金色}，眼睛={黑色,棕色}。分类结果有两种：种类={+,-}。提供的训练例子集为：T={<(矮,金色,黑色),+>,<(高,金色,棕色),->,<(高,红色,黑色),+>,<(矮,黑色,黑色),->,<(高,黑色,黑色),->,<(高,金色,黑色),+>,<(高,黑色,棕色),->,<(矮,金色,棕色),->}。上述文字可构造图1所示决策树。

2 决策树学习算法

决策树算法有几种，如ID

3、C4.5、CA RT等。其中ID3算法是最经典的算法，该算法从根节点开始，这个根结点被赋予一个最好的属性。随后对该属性的每个取值都生成相应的分支，在每个分支的终点上又生成新的节点。然后按照该属性的取值将每个训练例子都分别赋给一个相应的新节点。如果没有任何训练例子能赋给某个节点，那么该节点连同相应的分支都将被删除。这时，将每一个新节点都视作一个新的根节点，重复执行整个过程。这里，最好属性的选择要基于信息增益这个统计特性。在定义信息增益前，先要了解另一统计特性：熵。

给定一组有c个分类的训练例子，对属性a来说，它有值v，其中pi是在第i类中属性a取值为v的概率。为了能选出最好的属性，需要使用度量信息增益。一属性的信息增益就是按照该属性对训练例子进行划分所带来的熵的减少量。其中，T是训练例子的集合，Tj是属性A取值为j的训练例子集合，为T的一个子集。

3 决策树在教育中的应用

在教育教学中，尤其是在高等教育体系中，学校的数据库中存贮着大量的教育教学信息，其中一部分和教学有关，如学校的开课排课情况、教师情况;一部分和学生有关，如学生历年的考试、测验成绩等。这些大量的数据后面隐藏着大量的信息，只要加以分析，就能得到许多有用的信息，如教育规律、学生的培养模式、学生学科间的差异性和相关性的一些规律。这些规律对教育管理决策来说是相当重要的，对教育教学改革有指导性的意义。

3.1 决策树在教育信息处理中的应用

决策树表示的是一个离散值函数，树中每一个节点表示一个属性，同时目标分类具有离散的输出值信息。教育中的大量信息，一般都是对一些离散的数据进行分析，比如学习成绩一般分成优、良、中、差，外语六级成绩分成过与未过，这些信息都可以用决策树来加以分类归纳，对于连续的属性值，也可以进行离散化处理后再利用决策树来加以分析。

3.2 决策树在教学评价中的应用案例

决策树在教育信息处理中的应用很广泛，下面以决策树在教学评价中的应用为例，来说明在教育信息处理中是如何使用决策树来分析的。教学评价在教育中是一个重要的问题，它是指依据一定的教学目标与教学规范标准，通过对学校教与学等教育情况的系统检测与考核，评定其教学效果与教学目标的实现程度。教学评价具有复杂性、多因素性和模糊性等特点。如何客观、科学、全面地对教学进行评价，是教学评价中一个重要的课题，下面尝试将决策树应用于教学评价。

在评价之初要有一个数据采集的过程，之后可以用决策树来加以分析。课堂教学评价指标体系分为若干项，从教师的角度可以分为授课态度A

1、授课方法A

2、授课内容A

3、授课效果A

4、教学评价A5，可以取训练例子如表1所示。

对给定的训练例子数据是把连续的数据离散化的结果，A为评分90～100，B为评分80～89，C为评分70～79，D为评分60～69，E为评分<60，N1为教师编号，表中的A5为目标分类。

如果利用前面的ID3算法建立决策树，先检验所有信息增益的特征属性，选择信息增益最大的属性作为决策树的结点，由该特征的不同取值建立分支，对此分支的实例子集递归该方法建立决策树的结点和分支，直到某一子集中的例子属于同一类。

对给定训练例子的熵为：E(T)= 1.295 46。

表1 训练例子

N1 A1 A2 A3 A4 A5 1 B B B B 良 2 B B B B 良 3 B B B C 良 4 A A A A 优 5 B C C C 中 6 C C C C 中 7 B C B B 良 8 B B C C 良 9 C B C C 中

10 A A B B 良

以属性A1为例，A1的值={A,B,C}，由表中可以看出A3的信息增益最大，所以选A3属性作为根节点的测试属性，并根据其值向下分支，利用ID3算法进一步划分，当根节点到当前节点的路径上包括所有属性或当前节点的训练样本同属一类时，算法结束。根据以上分析给出图2所示决策树。

图2 决策树

可以根据生成的决策树，方便地提取其描述的知识，比如授课内容A3在这里产生的信息增益最大等信息。

4 小结

在教育信息中存在隐藏在数据中的规则，这些规则可以用不同的方法被挖掘。本文只是对决策树中的分类ID3算法在数据处理中的应用进行研究，目的是得到教育教学中存在的规则，利用发现的规则对教育管理决策提供有参考意义的信息。

参 考 文 献

[1]Callan R.人工智能[M].北京:电子工业出版社,2004 [2]尹朝庆.人工智能与专家系统[M].北京:中国水利水电出版社,2003 [3]朱福喜,等.人工智能原理[M].武汉:武汉大学出版社,2002 [4]陈翔,刘军丽.应用决策树方法构建评价指标体系[J].计算机应用,2006,26(2):368-370 [5]谷琼,等.基于决策树技术的高校研究生信息库数据挖掘研究[J].电子技术应用,2006,32(1):20-22 [6]王中辉,等.决策树在教学评价中的应用[J]甘肃科技,2006,22(3):125-126,106