馬耀蘭

（北方民族大學(xué) 信息與計(jì)算科學(xué)學(xué)院，寧夏 銀川 750021）

數(shù)據(jù)挖掘在大學(xué)生綜合素質(zhì)測(cè)評(píng)中的應(yīng)用

馬耀蘭

（北方民族大學(xué) 信息與計(jì)算科學(xué)學(xué)院，寧夏 銀川 750021）

討論了數(shù)據(jù)挖掘中決策樹(shù)算法的原理及其模型的建立過(guò)程,并把它應(yīng)用到高校的大學(xué)生綜合素質(zhì)測(cè)評(píng)中,借助計(jì)算機(jī)對(duì)綜合素質(zhì)測(cè)評(píng)信息進(jìn)行挖掘,所獲取的知識(shí)對(duì)指導(dǎo)今后的教學(xué)和學(xué)生工作有重要意義.實(shí)驗(yàn)仿真結(jié)果表明該模型能夠很好的實(shí)現(xiàn)預(yù)期的分類效果.

數(shù)據(jù)挖掘；決策樹(shù)；綜合素質(zhì)

1 引言

當(dāng)今世界各國(guó)經(jīng)濟(jì)、科技競(jìng)爭(zhēng)歸根到底是人才的競(jìng)爭(zhēng)，培養(yǎng)高素質(zhì)人才已是一項(xiàng)戰(zhàn)略性任務(wù).因此，高等院校理當(dāng)成為培養(yǎng)高素質(zhì)創(chuàng)造型人才的重地.高素質(zhì)人才要求在政治思想、科技文化、綜合能力素質(zhì)等各方面有突出表現(xiàn).大學(xué)生評(píng)先樹(shù)優(yōu)作為鼓勵(lì)先進(jìn)、樹(shù)立榜樣的主要激勵(lì)措施，在培養(yǎng)全面發(fā)展的人才工程中發(fā)揮著重要作用.怎樣客觀、正確地評(píng)估和衡量學(xué)生的發(fā)展?fàn)顩r和綜合素質(zhì)，其方法如何，以及如何體現(xiàn)先進(jìn)的管理思想和理念，已經(jīng)成為一個(gè)值得探討的重要課題.本文把數(shù)據(jù)挖掘中的決策樹(shù)算法用于大學(xué)生綜合素質(zhì)信息分析中,通過(guò)實(shí)例驗(yàn)證決策樹(shù)算法具有較高的分類精度,它為信息社會(huì)的高校學(xué)生工作提供了一種全新的思路和方法.

2 原理與方法

2.1 決策樹(shù)概述

決策樹(shù)方法是通過(guò)確定一系列的if-then的邏輯 (分枝)關(guān)系,從一組無(wú)秩序、無(wú)規(guī)則的事例中推理出一套分層規(guī)則,將所有可能發(fā)生的結(jié)局的概率分布用樹(shù)形圖表達(dá),生成決策樹(shù),從而達(dá)到對(duì)研究對(duì)象進(jìn)行精確預(yù)測(cè)或正確分類的目的.決策樹(shù)是一個(gè)類似于流程圖的樹(shù)結(jié)構(gòu),樹(shù)結(jié)構(gòu)中的每個(gè)內(nèi)部節(jié)點(diǎn)代表一個(gè)屬性上的測(cè)試,每個(gè)分枝代表一個(gè)測(cè)試輸出,每個(gè)樹(shù)葉節(jié)點(diǎn)代表一個(gè)類,所以從決策樹(shù)的根到葉結(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條取舍規(guī)則,整棵決策樹(shù)就對(duì)應(yīng)著一組析取表達(dá)式規(guī)則,因此能通過(guò)目標(biāo)變量預(yù)測(cè)屬性變量.

2.2 決策樹(shù)算法的理論基礎(chǔ)

為導(dǎo)出結(jié)構(gòu)簡(jiǎn)單的決策樹(shù),可以以信息增益（Information Gain）、信息熵(Entropy)等為判據(jù),選擇判定屬性.信息增益方法基于信息熵原理，信息熵是對(duì)信息混亂程度的一種度量.一般來(lái)說(shuō)，信息如果是均勻的混合分布，則信息熵就高.若信息呈一致性分布，則信息熵就低.在決策樹(shù)中，“信息”由類標(biāo)簽表示，即若數(shù)據(jù)子集中類別混合均勻分布，則信息熵較高.若類別單一分布，則信息熵較低.通過(guò)比較每個(gè)屬性形成劃分的前后信息熵的變化，選擇使得信息熵朝最小的方向變化的屬性，就能使得決策樹(shù)迅速地達(dá)到葉節(jié)點(diǎn)，從而能構(gòu)造緊湊的決策樹(shù).具體來(lái)說(shuō)，對(duì)每個(gè)數(shù)據(jù)集或數(shù)據(jù)子集，信息熵可以定義為

式（1）中，c是數(shù)據(jù)集/子集Dj中決策類的個(gè)數(shù)，pi是第i個(gè)決策類在D中的比例.

對(duì)于任一個(gè)屬性，將數(shù)據(jù)集劃分為多個(gè)數(shù)據(jù)子集，則該屬性的信息增益為未進(jìn)行劃分時(shí)的數(shù)據(jù)集的信息熵與劃分后數(shù)據(jù)子集的信息熵加權(quán)和的差，即

式（2）中，A是候選屬性，k是該屬性的分支數(shù)；D是未使用A進(jìn)行劃分時(shí)的數(shù)據(jù)集，Dj是由A劃分而成的子數(shù)據(jù)集；|·|代表數(shù)據(jù)集的實(shí)例個(gè)數(shù).

在所有屬性中，具有最大Gain(A)的屬性被選為當(dāng)前進(jìn)行劃分的結(jié)點(diǎn).

屬性A的信息增益比率為

2.3 規(guī)則提取

對(duì)于生成的決策樹(shù),可以直接從中提取規(guī)則.此過(guò)程是將決策樹(shù)轉(zhuǎn)化成比較直觀的規(guī)則形式,可以更好地理解分類結(jié)果.分類規(guī)則是用if-then形式表示,每條規(guī)則都是一條從根到葉節(jié)點(diǎn)的路徑,葉結(jié)點(diǎn)表示具體的結(jié)論,而葉結(jié)點(diǎn)以上的結(jié)點(diǎn)及其邊表示的相應(yīng)條件的條件取值.

3 具體實(shí)施

3.1 數(shù)據(jù)準(zhǔn)備和預(yù)處理

本文以某高校綜合素質(zhì)問(wèn)卷調(diào)查所收集的信息為數(shù)據(jù)依據(jù),應(yīng)用數(shù)據(jù)挖掘中的決策樹(shù)算法對(duì)大學(xué)生綜合素質(zhì)信息建立分類模型,相關(guān)屬性包括：性別、民族、專業(yè)、政治面貌、是否獨(dú)生子女、家住地區(qū)、英語(yǔ)水平、綜合素質(zhì)等28個(gè)屬性.

對(duì)以上收集的樣本數(shù)據(jù)，經(jīng)預(yù)處理（如噪聲數(shù)據(jù)的處理及冗余數(shù)據(jù)的處理）以后，我們?yōu)槊總€(gè)字段進(jìn)行編號(hào),并且將字段的每個(gè)取值轉(zhuǎn)化為“字母+數(shù)字”形式的示意字符串存儲(chǔ)于計(jì)算機(jī)之中,最終得到的用于建模的樣本數(shù)據(jù)集合相關(guān)信息如表1所示.

3.2 結(jié)果分析

表1 經(jīng)過(guò)處理后的樣本數(shù)據(jù)集合字段信息

本文采用數(shù)據(jù)挖掘軟件SPSSC lementine12.0進(jìn)行決策樹(shù)模型的構(gòu)建,在決策樹(shù)的構(gòu)建中,有關(guān)C 5.0的模型參數(shù)均采用默認(rèn)設(shè)置,本次C 5.0 算法生成的決策樹(shù)（見(jiàn)圖1）如下:

圖1 綜合素質(zhì)測(cè)評(píng)的決策樹(shù)圖

決策樹(shù)模型的好壞是由其精度評(píng)價(jià)的，因此我們還分析了預(yù)測(cè)模型來(lái)評(píng)估它們產(chǎn)生精確預(yù)測(cè)值的能力,即在預(yù)測(cè)值和實(shí)際值之間的比較,結(jié)果如表2所示.

表2 預(yù)測(cè)值與實(shí)際值的比較分析

由表2可知,300名同學(xué)中，實(shí)際有140名同學(xué)綜合素質(zhì)好,積極進(jìn)取,模型預(yù)測(cè)準(zhǔn)確了100名,即綜合素質(zhì)好,積極進(jìn)取的預(yù)測(cè)正確率達(dá)71.43%.實(shí)際有140名同學(xué)綜合素質(zhì)雖有不足,但仍具有積極進(jìn)取意識(shí),模型預(yù)測(cè)準(zhǔn)確了130名，即綜合素質(zhì)雖有不足,但仍具有積極進(jìn)取意識(shí)的預(yù)測(cè)正確率為92.86%.實(shí)際有20名同學(xué)綜合素質(zhì)一般,進(jìn)取意識(shí)不強(qiáng),模型預(yù)測(cè)準(zhǔn)確了20名，預(yù)測(cè)正確率達(dá)到100%.由此可以看出,決策樹(shù)的分類的精度較高.

結(jié)論：將決策樹(shù)算法應(yīng)用到大學(xué)生綜合素質(zhì)測(cè)評(píng)中,具有很好的效果.當(dāng)然,還有很多不足之處,還需要改進(jìn).

〔1〕Han J,Kamber M.Data Mining:Concepts and Techniques.Morgan Kaufmann Publishers,2001:279-333.

〔2〕王闐,佘光輝.決策樹(shù)C4.5算法在森林資源二類調(diào)查中的應(yīng)用[J].南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,31(3):115-118.

〔3〕龐素琳,鞏吉璋.C5.0分類算法及在銀行個(gè)人信用評(píng)級(jí)中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2009,29(12):95-104.

〔4〕張洪田,葉樹(shù)江.構(gòu)建工程應(yīng)用型本科院校學(xué)生綜合素質(zhì)教育模式的研究與實(shí)踐[J].中國(guó)高教研究,2010(1):59-60.

TP 311

A

1673-260X（2010）12-0033-03

北方民族大學(xué)教學(xué)研究項(xiàng)目（項(xiàng)目編號(hào)：2008TR32-YB）資助