摘要：本文在討論數(shù)據(jù)挖掘技術(shù)的基本概念、決策樹方法的基礎(chǔ)上，提出了決策樹算法在數(shù)字化校園中的應(yīng)用，以高校學(xué)生等級的劃分為例介紹了該算法的實施過程，并對結(jié)果進行了分析，得出供高校管理者決策的結(jié)論。

關(guān)鍵詞：數(shù)據(jù)挖掘；決策樹算法；數(shù)字化校園；學(xué)生等級

中圖分類號：G64文獻(xiàn)標(biāo)識碼：B

文章編號：1672-5913（2007）06-0040-04

1 引言

數(shù)字化校園是以數(shù)字化信息為依托，利用計算機技術(shù)、網(wǎng)絡(luò)技術(shù)、通訊技術(shù)支持學(xué)校教學(xué)和管理信息流，實現(xiàn)教育、教學(xué)、科研、管理、技術(shù)服務(wù)等信息收集、處理、整合、存儲、傳輸、應(yīng)用，使教學(xué)資源得到充分優(yōu)化利用的一種虛擬教育環(huán)境[1]。數(shù)字化校園建設(shè)已經(jīng)成為現(xiàn)代高校建設(shè)的重要組成部分，如何更好地利用數(shù)字化校園信息，提高高校教學(xué)效率，從而為社會培養(yǎng)出更多高素質(zhì)人才，是一個值得研究的問題。數(shù)字化校園是面向教師和學(xué)生的，并為教師和學(xué)生服務(wù)。利用數(shù)據(jù)挖掘技術(shù)，在了解學(xué)生的各個方面信息的基礎(chǔ)上，通過決策樹算法得到學(xué)生學(xué)習(xí)成績的總體發(fā)展趨勢，為高校教學(xué)提供決策支持作用。

2 數(shù)據(jù)挖掘技術(shù)

2.1 數(shù)據(jù)挖掘的基本概念

數(shù)據(jù)挖掘（Data Mining，DM）是從大量的、不完全的、有噪聲的、模糊的、隨機的實際數(shù)據(jù)中，提取隱含在其中的、人們不知道的，但又是潛在有用的信息和知識的過程[2]。目的是發(fā)現(xiàn)未知的關(guān)系和以數(shù)據(jù)擁有者可以理解并對其有價值的新穎方式來總結(jié)數(shù)據(jù)，進而預(yù)測未來可能發(fā)生的行為，從而為決策行為提供有利的支持。

2.2 決策樹方法

決策樹方法是數(shù)據(jù)挖掘的核心技術(shù)算法之一，通過大量數(shù)據(jù)有目的地分類，從中找出一些潛在的、對決策有價值的信息，常用于預(yù)測模型中。目前，國際上最有影響力的決策樹方法是ID3決策樹生成算法，C4.5算法是ID3算法的改進，該算法主要采用信息增益比來確定被測試的屬性[3]。

決策樹（Decision Tree）是一個類似于流程圖的樹結(jié)構(gòu)，其中每個內(nèi)部節(jié)點表示在一個屬性上的測試，每個分支代表一個測試輸出，而每個樹葉節(jié)點代表類或類分布。樹的最頂層節(jié)點是根節(jié)點。通常情況下，采用自頂向下遞歸的各個擊破的方式構(gòu)造決策樹，在此過程中，選擇合適的屬性作為測試屬性；采用剪枝方法控制生成的決策樹的大?。皇莾蓚€關(guān)鍵的問題。

決策樹的基本算法是貪心算法，它以自頂向下遞歸的各個擊破方式構(gòu)造決策樹，算法Generate_ decision_tree生成一棵決策樹的基本步驟。

輸入：訓(xùn)練樣本samples，由決策屬性表示，候選屬性的集合attribute_list。

輸出：一棵決策樹。

（1）創(chuàng)建節(jié)點N；

（2）if samples 都在同一個類C then；

（3）返回N作為葉節(jié)點，以類C標(biāo)記；

（4）if attribute_list為空，以類C標(biāo)記；

（5）返回N作為葉節(jié)點，標(biāo)記為samples中最普通的類，//多數(shù)表決；

（6）選擇attribute_list中具有最高信息增益的屬性test_attribute;

(7) 標(biāo)記節(jié)點N為test_attribute;

（8）for each test_attribute中的已知值ai //劃分samples；

（9）由節(jié)點N長出一個條件為test_attribute= ai的分支；

（10）設(shè)si是samples中test_attribute= ai的樣本的集合，//一個劃分；

（11）if si為空then；

（12）加上一個樹葉，標(biāo)記為samples中最普通的類；

（13）else加上一個由Generate_decision_tree返回的節(jié)點。

以上遞歸步驟當(dāng)下列條件成立時停止：

（1）給定節(jié)點的所有樣本屬于同一類；

（2）沒有剩余屬性可以用來進一步劃分樣本，在此情況下，使用多數(shù)表決；

（3）分支test_attribute= ai沒有樣本，在這種情況下，以samples中的多數(shù)類創(chuàng)建一個樹葉。

3 數(shù)字化校園整體框架

基于當(dāng)前高等院校校園網(wǎng)的基本設(shè)施和已有的各種應(yīng)用服務(wù)，一個基于通用的統(tǒng)一身份認(rèn)證和統(tǒng)一信息展示的數(shù)字化校園解決方案的總體框架。這個框架能夠集成各種校園網(wǎng)中的應(yīng)用。各個子系統(tǒng)在數(shù)字化校園中的位置如圖1所示。

在這個數(shù)字化校園框架中，利用PKI體系結(jié)構(gòu)作為統(tǒng)一身份認(rèn)證系統(tǒng)的基礎(chǔ)，以LDAP目錄作為校園網(wǎng)內(nèi)各種身份和信息數(shù)據(jù)的存儲媒體，從而實現(xiàn)Portal信息展示平臺，為校園網(wǎng)內(nèi)各種應(yīng)用服務(wù)的集成與展現(xiàn)提供了途徑。

4 數(shù)據(jù)挖掘技術(shù)在數(shù)字化校園中應(yīng)用

數(shù)據(jù)挖掘過程主要經(jīng)歷以下階段：確定數(shù)據(jù)挖掘?qū)ο?、?shù)據(jù)準(zhǔn)備等。下面將結(jié)合數(shù)字化校園介紹數(shù)據(jù)挖掘關(guān)鍵過程的應(yīng)用。

圖1數(shù)字化校園的整體框架

4.1 確定數(shù)據(jù)挖掘?qū)ο?/p>

定義清晰的挖掘?qū)ο?，認(rèn)清數(shù)據(jù)挖掘的目標(biāo)是數(shù)據(jù)挖掘的第一步。在數(shù)字化校園信息庫中，主要的信息就是教師和學(xué)生，如何更好地協(xié)調(diào)教師和學(xué)生的關(guān)系，更好地促進教育事業(yè)的發(fā)展，本文先從本科生著手，來研究本科生在校的基本情況，從而確定以學(xué)生為主體。

4.2 數(shù)據(jù)準(zhǔn)備

收集和描述數(shù)據(jù)是整個數(shù)據(jù)挖掘工作中相當(dāng)重要的一部分。數(shù)據(jù)準(zhǔn)備一般包括兩個步驟：數(shù)據(jù)的選擇和數(shù)據(jù)的預(yù)處理。這里主要是在校本科生的家庭出身、學(xué)習(xí)、每月消費、每月借書、社會工作等情況。例如從校園一卡通系統(tǒng)中可以找到某個學(xué)生這個月的消費情況。下面的挖掘方法并未對學(xué)生信息的各個子庫中所有數(shù)據(jù)進行直接挖掘，而是以學(xué)生的數(shù)字化校園中的基本信息作為基礎(chǔ)信息，通過對學(xué)校的各個子庫的個人信息進行加工處理，運用簡單的統(tǒng)計方法對每個子庫信息進行聚合，從而得到進行數(shù)據(jù)挖掘的基本信息。

把從各個子庫中得到想要的數(shù)據(jù)必須經(jīng)過處理才能應(yīng)用到數(shù)據(jù)挖掘技術(shù)中去。例如我們把學(xué)生通過文字所表現(xiàn)的不同屬性進行量化，以便于算法分析。我們把學(xué)生分為：A、B、C、D、E五個等級，即各個方面都表現(xiàn)優(yōu)秀的學(xué)生為A、中等靠上但次于優(yōu)秀的為B、中等生為C、中等靠下為D、各個方面都很差的為E。

依據(jù)以上量化標(biāo)準(zhǔn)，我們把統(tǒng)計得到用于數(shù)據(jù)樣本的一個6維向量進行初步量化。

（1）學(xué)生每月消費：超過500元的為高、300~500元的為中、低于300的低。

（2）圖書館平均每月借書（每月按圖書館開放25天計算）：每月光顧圖書館4次以上為優(yōu)，2~4次為良，少于2次的為中。

（3）專業(yè)課平均成績：高于85分的為優(yōu)，75~85之間的為良，60~75之間的為中。

（4）參加社會活動情況：1表示經(jīng)常參加社會活動，0.5表示參加社會活動適度，0表示基本上不參加社會活動。

（5）家庭出身：“農(nóng)”表示出身農(nóng)民，“工”表示出身工人，“干”表示出身干部。

（6）學(xué)生等級：各個方面都表現(xiàn)優(yōu)秀的學(xué)生為A，中等靠上但次于優(yōu)秀的為B，中等生為C，中等靠下為D，各個方面都很差的為E。

下面介紹一個訓(xùn)練樣本，該數(shù)據(jù)樣本選自2003級計算機專業(yè)某個班學(xué)號的前15名，如表1所示。

4.3 構(gòu)造決策樹

根據(jù)選取訓(xùn)練樣本數(shù)據(jù)集，取屬性“學(xué)生等級”作為類別標(biāo)識屬性，屬性“家庭出身”、“每月平均消費水平”、“專業(yè)課平均成績”、“圖書館借書”、“參加社會活動”作為屬性集。訓(xùn)練樣本集類A、B、C、D、E所對應(yīng)的樣本個數(shù)記為s₁、s₂、s₃、s₄、s₅。其中s₁=2，s₂=4，s₃=4，s₄=3，s₅=2。

首先，對給定的樣本分類所需的期望信息：

類似地，我們可以計算Gain（每月平均消費水平）＝０.4076，Gain（專業(yè)課平均成績）＝1.2668， Gain（圖書館借書）＝0.6963， Gain（參加社會活動）＝0.266，由于專業(yè)課平均成績在屬性中具有最高信息增益，它被選作測試屬性。創(chuàng)建一個節(jié)點，用專業(yè)課平均成績標(biāo)記，并對于每個屬性值，引出一個分支。樣本據(jù)此劃分，重復(fù)上述步驟，最后返回的最終判定樹如圖2所示。

4.4 結(jié)果分析

比較以上5個屬性的信息增益，得到學(xué)生等級決策樹，從而得到以下結(jié)論：

(1) 可以看出專業(yè)課水平的高低是決定學(xué)生等級的關(guān)鍵因素。

(2) 圖書館借書次數(shù)較多，可以看出學(xué)生比較重視學(xué)習(xí)。

(3) 參加社會活動積極的學(xué)生，也是相對較好的學(xué)生。

(4) 每月消費較高的部分同學(xué)比較側(cè)重于學(xué)習(xí)之外的別的方面，所以這些學(xué)生是較差的。

(5) 并不是來自家庭貧困的學(xué)生都是好學(xué)生，也不是來自家庭富裕的學(xué)生都是差學(xué)生，雖說大學(xué)生關(guān)鍵是靠個人的努力，學(xué)校的管理和督促對那一部分消費比較高的學(xué)生來說還是能起到一定的作用的。

5 結(jié)論

本文根據(jù)數(shù)字化校園系統(tǒng)中所存儲的學(xué)生信息，利用數(shù)據(jù)挖掘技術(shù)的決策樹方法分析了影響學(xué)生等級的重要因素，這只是數(shù)據(jù)挖掘技術(shù)在數(shù)字化校園系統(tǒng)中一個簡單的應(yīng)用。如何充分地利用高校資源，把數(shù)據(jù)挖掘技術(shù)和數(shù)字化校園更好地結(jié)合起來是當(dāng)前高校面臨的一個很重要的現(xiàn)實問題，從而達(dá)到提高教學(xué)質(zhì)量和大學(xué)生素質(zhì)的目的。

參考文獻(xiàn)：

[1] 陸炯.數(shù)字化校園的總體框架與若干關(guān)鍵技術(shù)的研究[D].南京大學(xué):南京大學(xué)出版社，2004.

[2] Jiawei Han， Micheline Kamber.數(shù)據(jù)挖掘:概念與技術(shù)[M].北京:機械工業(yè)出版社，2001.

[3] 陳文偉，黃金才.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘[M].北京:人民郵電出版社，2004.

收稿日期：2006-10-08

作者簡介：張治斌（1953-），男，河南洛陽人，高級工程師，主要研究方向為計算機應(yīng)用。