《表3 聚类结果得分描写：基于数据挖掘技术的高职英语学习需求类别及特征研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于数据挖掘技术的高职英语学习需求类别及特征研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于因子得分最大值计算只考虑了单个因子，缺乏对其他三个因子情况的了解，而大于1的因子分布不均衡，因此学生整体语言学习需求情况分析不足，此外，该方法处理的是样本个体特征，对于群体内部的共性特征关注不够，因此，也无法对学习者群体加以细分，而这正是数据挖掘在教育、学习领域的重要应用之一[17∶35]。但是，因子分析将原本具有18个变量的高维数据转换为相对低维度数据，可以加速聚类分析的速度[17∶252]。有鉴于此，本研究通过构建K-Means聚类模型，以样本的四个因子得分作为输入变量对样本进行聚类，其目的在于根据每个样本的个性特征对样本群进行进一步的细分，从而了解高职学生在语言学习需求上存在几个大的类别。该方法是最常用的基于数值型变量的聚类方法，通过计算样本间的亲疏程度，即欧氏距离，对样本进行归类。在进行聚类分析之前，需要根据经验制定聚类数量，结合公因子数，本文指定3～5类聚类数目，经运算，得到每个类别的因子得分均值及标准差如表3所示。