数据挖掘技术在体育训练中应用综述及研究

《数据挖掘技术在体育训练中应用综述及研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、数据挖掘技术在体育训练中应用综述及研究摘要：随着体育事业的不断发展，大部分体育信息都是用信息技术存取和积累的。面对庞大的数据库和激烈的比赛竞争，将数据挖掘技术应用于体育领域将会成为一种趋势。该文研究数据挖掘技术的各种算法在体育训练中的应用情况，对基于决策树分类的网球训练算法、基于BP神经网络算法、基于关联规则的FP-tree算法进行了分析。最后在此基础上，研究了决策ID3算法的改进方向和可能出现的弊端，提出了数据挖掘技术未来应用到体育领域的研究方向。关键词：数据挖掘；体育训练；决策树ID3中图分类号：TP311文献标识码：A文章编号：1009-3044(2012)22-5492-04A

2、pplicationReviewandAnalysisofDataMiningTechniquesinSportTrainingXUJian-min,OUMu-hua,XIONGJin-zhi(ComputerCollege,DongguanUniversityofTechnology,Dongguan523808,China)Abstract：Withthecontinuousdevelopmentofsports,mostsportsareusingITtoaccessandaccumulate.Facedwithahugedatabaseandfiercecompetition1

3、5inthegame,thedataminingtechnologyinthefieldofsportswillbecomeatrend.Thisstudyfocusesmainlyontheimplementationofthevariousalgorithmsbasedonthedatamining,whichinvestigatesthealgorithmbasedondecisiontreeclassificationappliedtotennis,thealgorithmbasedonBPneuralnetwork,andtheFP-treealgorithmbasedona

4、ssociationrules.Finally,onthebasisoftheabovemethod,thestudyanalyzesthedirectionofimprovementtoandpossibledrawbacksofthedecision-makingID3algorithm,andprovidesawayofresearchofdataminingwhichwillbeappliedtosports.Keywords:datamining;sportstraining;decisiontreeID315目前体育数据信息的分析通常采用常规统计方法：抽样理论、假设检验、决

5、策理论、估计理论、时间序列等[1]，大多数统计分析技术都要求完善的数学理论和严谨的使用技巧，对使用者要求很高，且大多属于抽样研究，存在不同程度的丢失信息现象。此外，传统统计方法很难挖掘出数据资料的潜在规律。随着近年来体育领域数据增多，各种指标的体质监测数据，各种各类体育竞技比赛数据等越来越多，形成海量数据[2]。与此同时，计算机应用技术在存储、模拟分析数据方面有着很明显的发展潜力。于是，如何在海量数据中寻找各种因素间的相互关系、发现它们之间的变化规律，进而对数据深入分析就成为了计算机的重要发展方向之一。因此，数据挖掘技术的研究和应用成为体育科学研究中不可或缺的内容之一。该文首先介绍数据

6、挖掘的定义和基本方法，其次综述数据挖掘技术在国内外体育训练的应用情况，最后在此基础上经过对方法和研究方向的分析，提出未来数据挖掘技术在体育训练上的研究方向。1数据挖掘的基本方法数据挖掘作为一门跨学科的应用技术，它涵盖了统计学、机器学习、人工智能、模糊数学等诸多科学领域，形成了根据具体任务而进行数据分析以及知识萃取的方法体系。同样，对于相同的问题也可以根据不同的应用领域特点选择不同的算法。比如，处理描述性挖掘任务有数据特征化和数据区分等概念抽象和数据汇总概要处理；预测性挖掘任务因目标变量属性的不同有分类和预测方法。数据挖掘的方法主要有：1）分类：按照分析对象的属性分门别类加以定义，建立类

7、组。152）回归：是使用一系列的现有数值来预测一个连续数值的可能值。3）预测：根据对象属性的过去观察值来估计该属性未来的值。4）聚类：是将一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一个类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。5）关联：是要找出在某一事件同时出现的事件。主要是要找出：如果甲因素出现在某一事件的一部分，则乙因素也出现在该事件中的机率有多大。数据挖掘常用的技术主要有决策树、遗传算法、聚类分析、