摘  要： 數(shù)據(jù)挖掘是適應信息社會從海量的數(shù)據(jù)庫中提取信息的需要而產生的新學科。它是統(tǒng)計學,、機器學習、數(shù)據(jù)庫,、模式識別、人工智能等學科的交叉,。以往的數(shù)據(jù)挖掘技術的應用大多是在金融領域,，而在其他領域里面應用不是很多，如在高校招生中的應用更是如此,。數(shù)據(jù)挖掘技術對招生工作的深層研究與挖掘將會得到各高校的更多重視,。以某高校招生數(shù)據(jù)作為招生信息為依據(jù),，對高校招生的關聯(lián)規(guī)則進行分析。從而對關聯(lián)性規(guī)則的應用作進一步的研究,。
關鍵詞： 關聯(lián)規(guī)則；Apriori算法,；置信度；支持度,；建模

1 民辦高校招生的現(xiàn)狀分析
　招生工作一直是民辦學校最重要的工作，民辦學校在招生上的投入占一年總支出的很大部份,，采用的招生方式也在不斷的更新,，使用新方法，新模式,。但同時也會發(fā)現(xiàn)，有些方式方法并不能解決招生問題,，浪費了有限的資源，得不償失,，主要表現(xiàn)在招生成本高、沒有嚴格的招生機制,，宣傳模式單一等。歸根原因是沒有找到適合本校的招生方法與模式,，而要能做到這一點，必須要對招生工作做一個詳細的研究,，根據(jù)以住招生的情況，總結分析,，找出問題所在點和發(fā)光點,，為招生工作更好的方式提供有力的依據(jù),。
2 Apriori算法分析
2.1 挖掘關聯(lián)規(guī)則的主要步驟
　步驟1：發(fā)現(xiàn)所有的頻繁集。項集的頻度至少應等于（預先設置的）最小支持度,。關聯(lián)規(guī)則的整個性能主要取決于這一步。
　步驟2：根據(jù)所獲得的頻繁項集,，產生相應的強關聯(lián)規(guī)則。這些規(guī)則必須滿足最小置信度閾值,。
2.2 Apriori算法
　Apriori算法是挖掘產生關聯(lián)規(guī)則所需要的頻繁項集的基本算法,，是數(shù)據(jù)挖掘領域里面常用的一種關聯(lián)規(guī)則挖掘算法,。該算法利用一個層次順序搜索的循環(huán)方法來完成頻繁集的挖掘工作。這一循環(huán)方法就是利用（k-1）-項集來產生k-項集,，具體的做法是首先找出頻繁集I-項集，記為L1,；然后利用L1來挖掘產生L2,，即頻繁2-項集,，如此循環(huán)往返，直到無法發(fā)現(xiàn)更多的頻繁k-項集為止,。在每一層挖掘產生Lk時，都需要對整個數(shù)據(jù)庫掃描一遍,。Apriori算法利用Lk-1來生成Lk,。

　

3.2 利用spss Clemention建模
　利用spss Clemention工具建立模型,，本例用2012年入學數(shù)據(jù)與2013年入學數(shù)據(jù)進行比較，得出兩年的地區(qū)與是否報到的關聯(lián)性分析,，建模如圖3所示。

3.3 設置最低條件支持度,，最小規(guī)則置信度,，最大前項數(shù)
    在2012年的數(shù)據(jù)中,，設置最低條件支持度為8.0,，最小規(guī)則置信度60.0%，最大前項數(shù)為5,，得到的數(shù)據(jù)分析結果如圖4所示。

　如果把2013的規(guī)則支持度和置信度設置和2012相同,，結果如圖5所示,。
3.4 地區(qū)與是否報到關聯(lián)規(guī)則結果分析
　根據(jù)圖4和圖5進行比較,，B（云南大理）和D（云南昭通）地區(qū)的學生報到是趨于正常的發(fā)展，在2013年招生中,，A（云南昆明）,、C（云南曲靖）和E（云南麗江）加大了招生宣傳,，取得了非常明顯的效果,，那么在2014年的招生宣傳中，還需要在A,、C、E地區(qū)保持一定的宣傳投入,，在B和D地區(qū)可以適當減少招生投入。
　一個學校生源的多少決定了它規(guī)模及發(fā)展,。特別是在民辦高校,，“招生就是一切”，招生中不僅要數(shù)量,、質量也是發(fā)展的關鍵,。民辦院校在不同的發(fā)展時期會有不同的發(fā)展策略，在不同的歷史時期院校也就有不同的招生策略及隊伍建設適應發(fā)展的需求,。因此,，只有在清楚制定了院校發(fā)展戰(zhàn)略規(guī)劃后，才能順理成章地制定出院校人力資源需求,、發(fā)展、策略,、培訓,、擴建和儲備計劃。充分把數(shù)據(jù)挖掘技術利用在招生工作中,，將對個高校的招生工作提供決策支持,，對高校的招生成本的整合具有深遠的意義,。
參考文獻
[1] 趙祖應，丁勇.基于Apriori算法的購物籃關聯(lián)規(guī)則分析[J].江西科學,，2012（1）.
[2] 王嵩巖.基于數(shù)據(jù)挖掘的關聯(lián)規(guī)則研究[J].吉林省經(jīng)濟管理干部學院學報,，2008，22（1）：80-82.
[3] 朱建平,，謝邦昌.數(shù)據(jù)挖掘中關聯(lián)規(guī)則的提升及其應用[J].統(tǒng)計研究,，2004（12）：34-39.
[4] 姚俊.淺談關聯(lián)規(guī)則挖掘[J].信息技術，2005（6）.
[5] 劉柱文,，李麗琳.關聯(lián)規(guī)則技術在數(shù)據(jù)挖掘中的應用[J].科學技術與工程,，2008（6）.
[6] 譚建豪，章兢.數(shù)據(jù)挖掘技術[M].北京：中國水利水電出版社,，2009.
[7] 劉世平.數(shù)據(jù)挖掘技術與應用[M].北京：高等教育出版社,，2010.