段桂芹，鄒臣嵩

(1.廣東松山職業(yè)技術(shù)學(xué)院計算機(jī)與信息工程學(xué)院，廣東 韶關(guān) 512126；2.廣東松山職業(yè)技術(shù)學(xué)院電氣工程學(xué)院，廣東 韶關(guān) 512126)

0 引 言

數(shù)據(jù)挖掘能夠從教學(xué)數(shù)據(jù)中分析出有價值的信息，是輔助教學(xué)管理的重要手段[1]。作為一種經(jīng)典的無監(jiān)督數(shù)據(jù)挖掘技術(shù)，聚類分析目前被廣泛地應(yīng)用在教育領(lǐng)域的多項研究與實踐中[2-5]。孫小素等人[6]利用聚類分析對學(xué)生個人能力進(jìn)行分類，用Fisher判別方法校驗聚類分析的科學(xué)性，保證了學(xué)生成績評價的科學(xué)性和高效性。丁鵬飛[7]利用相關(guān)分析方法確定了5個聚類因子，將具有相似性的學(xué)生劃分為4種類型。彭琳鈞等人[8]在對學(xué)生綜合能力因子分析的基礎(chǔ)上，使用K-means算法對部分?jǐn)?shù)據(jù)進(jìn)行標(biāo)注，用訓(xùn)練后的SVM模型對其他數(shù)據(jù)進(jìn)行分類。張?zhí)鸬热薣1]提出了一種基于改進(jìn)的聚類的成績分析方法，對學(xué)生的課程成績進(jìn)行相關(guān)性分析。但是，由于K-means聚類算法在實際應(yīng)用中其類簇數(shù)目依賴于人工經(jīng)驗，聚類質(zhì)量易受人為因素影響，因此需要引入相關(guān)指標(biāo)對聚類質(zhì)量進(jìn)一步評價。肖自乾等人[9]根據(jù)肘部法則對學(xué)生成績數(shù)據(jù)進(jìn)行分析，計算不同k值時的平均畸變程度。郭鵬等人[10]使用改進(jìn)的K-means算法結(jié)合CH指標(biāo)對學(xué)生成績聚類劃分后的效果進(jìn)行評估。谷欣超等人[11]使用全局K-means聚類算法對學(xué)生成績進(jìn)行聚類，得到不同聚類個數(shù)下的成績分類結(jié)果，并結(jié)合I Index指標(biāo)自動地確定出最優(yōu)聚類數(shù)目，實現(xiàn)對學(xué)生多科成績數(shù)據(jù)的無監(jiān)督分類。段桂芹等人[12]提出了一種改進(jìn)K-medoids算法，結(jié)合DB指標(biāo)設(shè)計了聚類質(zhì)量評價模型，有效地挖掘出學(xué)生多門課程成績的分布情況。

在借鑒上述科研成果的基礎(chǔ)上，本文提出一種新的聚類內(nèi)部評價指標(biāo)，給出了簇內(nèi)緊密度和簇間分離度新的計算方法，結(jié)合近鄰傳播算法設(shè)計了一種職業(yè)能力聚類模型，以某高校學(xué)生能力數(shù)據(jù)為樣本，完成職業(yè)能力聚類分析，驗證了模型的實用性。

1 近鄰傳播算法

近鄰傳播算法(Affinity Propagation， AP)是Frey等人[13]于2007年在“Science”上提出的一種新的快速聚類算法，具有無需選擇初始聚類中心，無需依賴人工經(jīng)驗預(yù)設(shè)聚類數(shù)k等優(yōu)點。AP算法是一種近鄰之間互傳信息的聚類方法[14-16]，在算法執(zhí)行過程中，可自動尋找聚類中心。該算法的基本結(jié)構(gòu)是：先使用歐氏距離公式計算出樣本集的相似度矩陣；再循環(huán)交替更新樣本的吸引度和歸屬度，在此過程中，當(dāng)?shù)螖?shù)超過最大值，或者類代表點連續(xù)多次迭代保持不變時，AP算法視為結(jié)束，此時可將其余樣本分配至相應(yīng)簇中完成聚類[17-19]。AP算法由4步構(gòu)成，具體描述如下：

Step1使用式(1)計算集合中樣本xi和xj間的歐氏距離：

(1)

其中，i=1,2,…,N;j=1,2,…,N;l表示樣本的特征維度。

Step2使用式(2)取歐氏距離相反數(shù)作為樣本的相似度值s(i,k)，得到相似度矩陣S：

(2)

其中，p(k)是相似度矩陣對角線上的數(shù)值，也是樣本xk能否成為簇中心的評判標(biāo)準(zhǔn)，p(k)越大，說明樣本xk被選作簇中心代表的幾率越大，本文借鑒了文獻(xiàn)[13]推薦的在無先驗知識前提下取S矩陣的中值作為偏向參數(shù)p的默認(rèn)值。

Step3交替更新吸引度r與歸屬度a，生成優(yōu)質(zhì)簇中心代表。其中，吸引度r(i,k)表示樣本xk對xi的吸引程度，該值越大意味著xk成為xi簇中心的可能性越大；歸屬度a(i,k)表示樣本xi對xk的歸屬程度，該值越大說明樣本xi選擇xk作為其簇中心的可能性越大。吸引度r與歸屬度a的交替更新過程如式(3)、式(4)所示：

r(i,k)=s(i,k)-maxk′≠k{a(i,k′)+s(i,k′)}

(3)

其中，a(i,k′)表示除xk外其他樣本對xi的歸屬度值，s(i,k′)表示除xk外其他樣本對xi的吸引度，即xi外其他樣本都在爭奪xi的所有權(quán)，r(i,k)是xk成為xi的簇中心的累積證明。

(4)

其中，r(k，k)表示xk的自吸引度，a(k，k)表示xk的自歸屬度，r(i′，k)表示xk作為除xi外其他樣本的簇中心的相似度值。a(i，k)表示取所有大于等于0的吸引度值加上xk的自吸引度作為簇中心的可能程度，即xk在這些吸引度值大于0的樣本點的支持下，xi選擇xk作為其簇中心的累積證明。

考慮到更新吸引度r與歸屬度a過程中，會出現(xiàn)振蕩現(xiàn)象，故此處引入了阻尼參數(shù)λ來降低震蕩幅度，校正迭代過程中的吸引度歸屬度，設(shè)阻尼參數(shù)λ∈[0,1)，迭代次數(shù)為t，校正后的交替更新過程如式(5)、式(6)所示：

r(i,k)t+1=(1-λ)×r(i,k)t+1+λ×r(i,k)t

(5)

a(i,k)t+1=(1-λ)×a(i,k)t+1+λ×a(i,k)t

(6)

其中，r(i,k)t、r(i,k)t+1分別表示第t和t+1次迭代的吸引度，a(i,k)t、a(i,k)t+1分別表示第t和t+1次迭代的歸屬度。

Step4確定簇中心代表。將吸引度和歸屬度之和最大的樣本xk作為xi所在簇的中心代表，聚類數(shù)k應(yīng)滿足的條件如式(7)所示：

k=argmax{a(i,k)+r(i,k)}

(7)

2 改進(jìn)的內(nèi)部評價指標(biāo)

內(nèi)部評價指標(biāo)是指與外部信息無任何關(guān)聯(lián)，利用數(shù)據(jù)集的內(nèi)在屬性特征來評價聚類算法的優(yōu)劣。通過計算數(shù)據(jù)總體相似度、簇間平均相似度或簇內(nèi)平均相似度來評價聚類質(zhì)量。在評價過程中，通常將“簇內(nèi)緊湊，簇間分散”作為內(nèi)部評價的重要標(biāo)準(zhǔn)，經(jīng)典的內(nèi)部評價指標(biāo)XB[20]的表達(dá)式如式(8)所示，其特點描述如下：

(8)

XB指標(biāo)將數(shù)據(jù)集中簇內(nèi)各樣本與簇中心的距離平方和作為簇內(nèi)的緊密度，使用最小簇中心距離的平方作為整個樣本集的分離度，將簇內(nèi)緊密度與簇間分離度的比值作為指標(biāo)的表達(dá)式[21-22]，可以看出，XB指標(biāo)越小，則各簇間距離越大，簇間越分散，簇內(nèi)越緊湊，聚類質(zhì)量越高。然而，當(dāng)數(shù)據(jù)集為環(huán)形數(shù)據(jù)時，其簇中心的重疊度較大，各簇間的中心距離趨近于0，由于簇間相似度極高，應(yīng)將二者視為一個聚類，以實現(xiàn)高質(zhì)量聚類劃分。而實際上，這種合并式聚類會導(dǎo)致簇中心重疊的簇全部被合并成一個聚類，明顯偏離實際結(jié)果，導(dǎo)致聚類評價結(jié)果無效。

為了便于理解，對圖1中的數(shù)據(jù)集進(jìn)行討論，該數(shù)據(jù)集由多個環(huán)形結(jié)構(gòu)的簇構(gòu)成，各簇中心極為接近，在計算該數(shù)據(jù)集的簇間距離時，由于簇中心點趨于重疊，必然會出現(xiàn)簇間距離近似于0的情況，當(dāng)以“簇內(nèi)緊密，簇間分離”的標(biāo)準(zhǔn)進(jìn)行評判時，意味著此時各簇極為相似，從聚類劃分的角度來看，為提高聚類質(zhì)量應(yīng)將兩簇合而為一，但經(jīng)過多次合并，圖1最終將全部合并為一個簇，這顯然與實際聚類結(jié)果有著明顯偏差。而本文用簇內(nèi)全部樣本與簇中心的距離之和表示簇內(nèi)緊密度，用任意兩簇間樣本距離和的最小值表示簇間分離度，則可以從幾何特征上確保各簇的結(jié)構(gòu)差異性，進(jìn)而避免簇間距離為0現(xiàn)象的發(fā)生，最大程度地反映出簇間的相似程度，克服了環(huán)形數(shù)據(jù)因中心點重疊而導(dǎo)致的聚類結(jié)果合并等問題，通過平衡簇內(nèi)緊密度和簇間分離度之間的關(guān)系[23]，確保最優(yōu)聚類的劃分，改進(jìn)后的指標(biāo)Improve-XB(以下簡稱IXB)定義及公式如下：

圖1 環(huán)形人工數(shù)據(jù)集

定義1 簇內(nèi)緊密度(Compactness)：數(shù)據(jù)集中全部樣本與所歸屬簇的簇中心距離之和。

(9)

其中，x為簇Ci的簇內(nèi)樣本，vi是該簇的簇中心，k表示樣本集被劃分后的簇個數(shù)。

定義2 簇間分離度(Separation)：任意兩簇間樣本距離和的最小值。

(10)

其中，xm和xn為分屬2個不同簇的任意樣本。

定義3 IXB指標(biāo)：簇內(nèi)緊密度與簇間分離度的比值與其倒數(shù)之和。

(11)

從式(9)、式(10)可以看出，當(dāng)k值增加時，簇間分離度與簇內(nèi)緊密度的比值Sep/Comp增加，而Comp/Sep則反之，從式(11)可以看出IXB指標(biāo)值越大，說明簇間越分散，同時簇內(nèi)越緊湊，聚類質(zhì)量越好。

定義4 最優(yōu)聚類數(shù)kopt：IXB(k)取最大值時的聚類數(shù)目。

kopt=argmax{IXB(k)}

(12)

其中，k∈[2，kmax]，kmax由AP算法給出。

3 實驗測試

本文的測試環(huán)境為：Intel(R) Core(TM) i7-10750H CPU @2.6 GHz 2.59 GHz，16 GB內(nèi)存，Win10(64位)專業(yè)版，測試平臺為Matlab 2011b，實驗由IXB指標(biāo)的有效性測試和實用性測試2個部分組成。

3.1 IXB指標(biāo)的有效性測試

本實驗針對新評價指標(biāo)IXB的有效性進(jìn)行測試，具體為：分別使用AP算法、改進(jìn)K中心點算法[24]和快速K-medoids算法[25]結(jié)合XB指標(biāo)、IXB指標(biāo)對表1中的UCI數(shù)據(jù)集進(jìn)行聚類數(shù)正確率對比測試，對比測試結(jié)果詳見表2，其中，AP算法的阻尼參數(shù)范圍是[0.5,1)，測試中使用其缺省值0.5，最大迭代次數(shù)為900次，文獻(xiàn)[24]、文獻(xiàn)[25]算法的密度參數(shù)由樣本集自身決定，無需人工設(shè)定。

表1 UCI樣本實驗數(shù)據(jù)

表2 評價指標(biāo)的聚類數(shù)對比測試

觀察表2可知，在5個UCI數(shù)據(jù)集上，3種聚類算法結(jié)合IXB的聚類數(shù)正確率分別為80%、80%、60%；3種聚類算法結(jié)合XB指標(biāo)所得的聚類數(shù)正確率分別為60%、60%、40%，可以看出，IXB評價指標(biāo)的聚類數(shù)正確率明顯高于原XB指標(biāo)。

3.2 IXB指標(biāo)實用性測試

本實驗使用入侵檢測數(shù)據(jù)集KDD CUP99[26]從檢測率、分類正確率、漏報率、誤報率4個方面驗證新指標(biāo)IXB的實用性。其中，訓(xùn)練集包含5種攻擊類型，共10325條記錄，測試集從corrected中隨機(jī)選取，共2845條記錄，數(shù)據(jù)預(yù)處理采用文獻(xiàn)[27]所提出的降維方法，整理后的數(shù)據(jù)如表3所示。

表3 KDD CUP99數(shù)據(jù)集

為了完成不同聚類數(shù)條件下的入侵檢測指標(biāo)對比，設(shè)置AP算法的阻尼參數(shù)λ在[0.5,1)區(qū)間內(nèi)的步長為0.05，最大迭代次數(shù)為900次，結(jié)合IXB指標(biāo)，得出表3訓(xùn)練集的最優(yōu)聚類范圍是[22,29]。測試集的各項檢測結(jié)果如表4所示，可以看出，當(dāng)聚類數(shù)為26時，入侵檢測率達(dá)到最大值93.89%，當(dāng)聚類數(shù)為26和27時，測試集的分類正確率同為最大值95.43%，當(dāng)聚類數(shù)為26時，漏報率達(dá)到最低，為4.26%，當(dāng)聚類數(shù)為27時，誤報率達(dá)到最低，為4.27%。

表4 測試集的入侵檢測結(jié)果 單位：%

綜合上述2個實驗部分結(jié)果，可以得出：本文所提出的改進(jìn)聚類質(zhì)量評價指標(biāo)能夠反映出樣本集的最佳聚類數(shù)目或最優(yōu)聚類范圍，具有較好的實用性，可應(yīng)用于具體案例。

4 基于近鄰傳播算法與IXB指標(biāo)的職業(yè)能力聚類模型

使用近鄰傳播算法與IXB指標(biāo)構(gòu)建的職業(yè)能力聚類模型由確定簇中心和確定最優(yōu)聚類劃分2個部分構(gòu)成，模型結(jié)構(gòu)如圖2所示，模型的描述具體如圖2所示。

圖2 職業(yè)能力聚類模型

4.1 模型結(jié)構(gòu)

4.1.1 確定簇中心

1)使用式(1)、式(2)得到學(xué)生職業(yè)能力的相似度矩陣。

2)使用式(3)、式(4)交替更新吸引度r與歸屬度a，得到簇中心代表。

3)設(shè)置阻尼參數(shù)λ、總迭代參數(shù)t，使用式(5)、式(6)降低震蕩幅度，校正吸引度與歸屬度。

4)將滿足公式(7)的候選點作為簇中心代表點，重復(fù)執(zhí)行本環(huán)節(jié)中的步驟3，再次校正全部樣本的吸引度和歸屬度，篩選出簇中心代表點，將其它樣本劃分至相應(yīng)簇中，獲取聚類數(shù)上限值kmax。

4.1.2 確定最優(yōu)聚類劃分

1)將聚類數(shù)上限值作為聚類數(shù)初值，即k=kmax。

2)使用式(9)、式(10)計算簇內(nèi)緊密度與簇間分離度，使用式(11)計算IXB指標(biāo)。

3)令k=k-1，重復(fù)執(zhí)行本環(huán)節(jié)中的步驟2，依次計算k={2，3，…，kmax}的IXB指標(biāo)，使用式(12)獲取最優(yōu)聚類數(shù)kopt，并將IXB指標(biāo)最大時的聚類結(jié)果作為最優(yōu)聚類劃分輸出。

4.2 模型在職業(yè)能力聚類中的應(yīng)用

4.2.1 樣本描述

遵照高職院?！肮W(xué)結(jié)合”的教學(xué)特點，我校同用人單位、行業(yè)協(xié)會專家、一線教師一起，根據(jù)物聯(lián)網(wǎng)應(yīng)用技術(shù)專業(yè)的崗位需求，完成了相關(guān)崗位的職業(yè)能力描述，設(shè)計了由基本素質(zhì)、專業(yè)核心技能、專業(yè)知識構(gòu)成的職業(yè)能力表(詳見表5)和職業(yè)能力等級標(biāo)準(zhǔn)(詳見表6)，并對我校2018級物聯(lián)網(wǎng)應(yīng)用技術(shù)專業(yè)80名學(xué)生第2～4學(xué)期的職業(yè)能力進(jìn)行了采集，樣本數(shù)據(jù)詳見表7。

表5 物聯(lián)網(wǎng)應(yīng)用技術(shù)專業(yè)職業(yè)能力表

表6 職業(yè)能力等級標(biāo)準(zhǔn)

表7 學(xué)生職業(yè)能力樣本數(shù)據(jù)

4.2.2 聚類結(jié)果輸出

本節(jié)使用聚類模型對表7的80名學(xué)生從職業(yè)能力的3個方面進(jìn)行了聚類分析，具體為：基本素質(zhì)屬性(A1～A12)、專業(yè)核心技能屬性(B1～B6)和專業(yè)知識屬性(C1～C5)。模型中AP算法的阻尼參數(shù)為0.95，總迭代次數(shù)為900次，運行環(huán)境為Matlab 2011b，所得IXB指標(biāo)與k值對應(yīng)關(guān)系如表8所示，關(guān)系圖如圖3所示，最大聚類數(shù)、最優(yōu)聚類數(shù)和IXBmax指標(biāo)如表9所示。由IXB指標(biāo)的特征可知，該值最大時的k值即為最優(yōu)聚類數(shù)，此時的聚類結(jié)果為最優(yōu)劃分，各分項職業(yè)能力的最優(yōu)聚類劃分情況如圖4所示，詳細(xì)劃分結(jié)果詳見表10。

表8 k值與IXB指標(biāo)對應(yīng)關(guān)系表

表9 各職業(yè)能力的最大聚類數(shù)和最優(yōu)聚類數(shù)

圖3 k值與IXB指標(biāo)關(guān)系圖

圖4 各簇數(shù)據(jù)最優(yōu)劃分情況

4.3 聚類結(jié)果分析

為了更準(zhǔn)確、深入地對聚類結(jié)果進(jìn)行分析研究，本文分別從學(xué)生的職業(yè)發(fā)展和企業(yè)的人才選擇2個角度對表10的最優(yōu)聚類劃分進(jìn)行分析，并給出相關(guān)建議。

表10 數(shù)據(jù)劃分結(jié)果

4.3.1 學(xué)生的職業(yè)發(fā)展

將表10中“專業(yè)核心技能”的聚類結(jié)果結(jié)合表7的具體學(xué)情信息進(jìn)行分析，第1類學(xué)生共25人，他們的B2、B5、B6職業(yè)能力突出，能力值都在4.3以上，建議此類同學(xué)將Android程序設(shè)計、物聯(lián)網(wǎng)系統(tǒng)仿真設(shè)計、嵌入式Linux應(yīng)用開發(fā)等課程作為選修課程，將物聯(lián)網(wǎng)應(yīng)用系統(tǒng)測試與程序開發(fā)崗位作為擇業(yè)方向。第2類學(xué)生共26人，與第1類學(xué)生相比，他們的“B2、B5、B6”能力值都低于3.5，但是“B1、B3、B4”能力值都在4.0以上，結(jié)合具體學(xué)情發(fā)現(xiàn)他們對終端設(shè)備安裝、通信組網(wǎng)興趣濃厚，在軟硬件安裝調(diào)試過程中，能夠?qū)Τ霈F(xiàn)的故障進(jìn)行分析、解決與總結(jié)，因此建議此類同學(xué)將智能家居系統(tǒng)安裝與配置、RFID應(yīng)用技術(shù)、物聯(lián)網(wǎng)項目方案設(shè)計等課程作為今后的選修課程，將物聯(lián)網(wǎng)系統(tǒng)集成與運維崗位作為擇業(yè)方向。第3類學(xué)生共29人，他們的各項專業(yè)核心技能值在2.5～3.3之間，相比前2類學(xué)生，他們的專業(yè)潛能優(yōu)勢并不明顯，建議這類學(xué)生主動尋找自己的學(xué)科興趣，重視專業(yè)實踐，提升專業(yè)技能。

將表10中“專業(yè)知識”的聚類結(jié)果結(jié)合表7的具體學(xué)情信息進(jìn)行分析，第1類學(xué)生有12人，他們對專業(yè)知識的掌握程度較其他同學(xué)更加牢固，C1～C5的能力值都在4.2以上，有能力在本科院校繼續(xù)深造，因此，對于計劃選擇“專插本”的學(xué)生來說，可以考慮在相關(guān)理論課程方面投入更多的時間與精力，校方也可以為此類學(xué)生創(chuàng)造更為有利的學(xué)習(xí)條件。此外，觀察表10的聚類劃分結(jié)果，可以發(fā)現(xiàn)一個有趣的現(xiàn)象，這類學(xué)生的“專業(yè)核心技能”和“基本素質(zhì)”也都被劃分為同一類，這一結(jié)果與教師評價、學(xué)生互評、師生座談等多渠道反饋的實際學(xué)情基本相符，從未來就業(yè)角度來看，他們的就業(yè)面更寬、更廣，可塑性更強(qiáng)?！皩I(yè)知識”的第2類和第3類分別為20人和22人，從聚類結(jié)果來看，這2類學(xué)生的簇間距離小、相似度較大，C1～C5的能力值都在3.3～4.1之間，共同特點是對電工電子技術(shù)、傳感器、RFID應(yīng)用技術(shù)等基礎(chǔ)知識掌握得比較牢固，但卻存在一定程度的“偏科”現(xiàn)象，第2類學(xué)生對單片機(jī)、嵌入式技術(shù)的掌握程度優(yōu)于第3類，第3類學(xué)生的計算機(jī)網(wǎng)絡(luò)、操作系統(tǒng)等專業(yè)知識背景略好于第2類，建議這2類學(xué)生可以在感興趣的課程上投入更多的精力，進(jìn)一步強(qiáng)化自己的優(yōu)勢學(xué)科。第4類學(xué)生有16人，他們的共同特點是專業(yè)基礎(chǔ)知識掌握得相對較好，和第2、第3類學(xué)生相比，他們的專業(yè)課知識略顯薄弱，對無線傳感網(wǎng)、數(shù)據(jù)庫、嵌入式技術(shù)相關(guān)專業(yè)知識的認(rèn)知存在明顯不足，建議這類學(xué)生積極查漏補(bǔ)缺，彌補(bǔ)專業(yè)知識上的短板。第5類學(xué)生有10人，他們C1～C5的能力值都在2.2以下，在專業(yè)知識的基本認(rèn)知方面存在嚴(yán)重不足，尤其對主流物聯(lián)網(wǎng)設(shè)備器件的認(rèn)知能力有待提升，建議他們改變目前的學(xué)習(xí)方式，認(rèn)清自身的薄弱環(huán)節(jié)，同時也需要師生們給予他們更多的關(guān)心，幫助他們樹立好正確的學(xué)習(xí)觀念。

4.3.2 企業(yè)的人才選擇

企業(yè)在人才選擇過程中，除了可以將學(xué)生在“專業(yè)核心技能”和“專業(yè)知識”特征項中表現(xiàn)出的職業(yè)傾向性作為主要參考依據(jù)，還可以結(jié)合表10中“基本素質(zhì)”的聚類結(jié)果綜合分析。例如某企業(yè)在招聘系統(tǒng)集成相關(guān)崗位時，可以先將“專業(yè)核心技能”中B1、B3、B4能力值突出的第2類學(xué)生和“專業(yè)知識”中C3、C4、C5能力值突出的第3類學(xué)生作為候選者，再根據(jù)崗位的具體需求，對候選者的“基本素質(zhì)”進(jìn)行二次篩選，如果崗位傾向于售后服務(wù)，則可將環(huán)境適應(yīng)能力、出差意向(A5)和獨立工作解決問題能力(A6)作為二次篩選的重要依據(jù)；如果崗位傾向于售前咨詢、方案設(shè)計，則可將語言溝通能力(A3)和獨立工作和書面表達(dá)能力(A4)作為二次篩選的重要依據(jù)。

5 結(jié)束語

本文使用近鄰傳播算法和改進(jìn)的XB評價指標(biāo)設(shè)計了一個學(xué)生職業(yè)能力聚類分析評價模型，從基本素質(zhì)、專業(yè)核心技能、專業(yè)知識3個職業(yè)能力維度給出了學(xué)生最優(yōu)聚類數(shù)目，客觀準(zhǔn)確地完成了職業(yè)能力數(shù)據(jù)的最優(yōu)聚類劃分，解決了經(jīng)典聚類算法在教育數(shù)據(jù)挖掘中存在的聚類數(shù)目過于依賴人工經(jīng)驗等問題，實現(xiàn)了高職學(xué)生職業(yè)能力數(shù)據(jù)的建模、分析與評價。該模型可用于高職學(xué)生職業(yè)能力(綜合素質(zhì))評價與職業(yè)傾向性預(yù)測，能夠為教學(xué)反饋與人才的分層分類培養(yǎng)提供理論支撐，能夠為學(xué)生的職業(yè)生涯規(guī)劃和企事業(yè)人力資源的合理配置提供客觀、科學(xué)的參考依據(jù)。