Research on students’ physical fitness evaluation based on improved K-means and decision tree algorithm
Notice bibliographique
Résumé
Introduction: The physical health of students is an indispensable part of the education system.Objectives: The existing methods for evaluating physical fitness and health lack sufficient analysis of test data.Methods: Therefore, the study proposed an improved student physical health evaluation algorithm using K-means and decision tree algorithms.The initial cluster center of K-means was determined using cuckoo optimization, and the median distance of data points was used instead of the mean.The minimum Gini coefficient was used as the optimal binary value for the decision tree algorithm.Results: Experiments showed that the root mean square error of each item in the improved K-means algorithm was on average 0.056 lower than that of the fuzzy C-means algorithm.The recall rate and F1 value were on average 0.084 and 0.093 higher, respectively.The accuracy of clustering analysis was 3.3% and 5.1% higher than that of the FC-MC algorithm and SC algorithm, respectively.The decision tree algorithm approached convergence after 200 iterations, with the maximum values being 1.4%, 6.3%, and 13.5% higher than other algorithms.In the randomly selected class, the contribution of male students' sitting forward bending, long-distance running, and pull-up projects to the total score was relatively low and need to be prioritized for improvement.Conclusion: From this, the proposed physical health evaluation method can effectively minimize the impact of extreme value data on the calculation outcomes, raise the accuracy of clustering analysis and evaluation, and accurately determine the overall and individual physical weakness items of the class.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».