馬紅娟，趙秀蘭，孫亞萍，鄭喜英

（1.黃河科技學(xué)院 信息工程學(xué)院，鄭州 450063；2.鄭州城軌交通中等專業(yè)學(xué)校，鄭州 450000）

引言

高速發(fā)展的信息技術(shù)產(chǎn)生了大量的數(shù)據(jù)，人們收集這些數(shù)據(jù)，在給我們生活提供方便的同時，帶來一些問題。由于收集的數(shù)據(jù)不斷增多，在對數(shù)據(jù)進行挖掘的過程中對所隱藏的數(shù)據(jù)知道的方法比較少，使得數(shù)據(jù)囤積量增大，由于數(shù)據(jù)庫里的量，在以幾何形式不斷增長，要在數(shù)據(jù)庫中對信息去偽存真、去粗存精，靠傳統(tǒng)方法是不夠的，要想高效地組織、管理這些數(shù)據(jù)進行分析和應(yīng)用，數(shù)據(jù)挖掘是對計算機系統(tǒng)提供更高層次數(shù)據(jù)分析的最有效的方法。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)的核心部分，從數(shù)據(jù)集合中自動抽取隱藏在數(shù)據(jù)中的游泳信息的非平凡過程，表現(xiàn)形式為：概念、規(guī)則、模式及規(guī)律等。數(shù)據(jù)挖掘融合了統(tǒng)計學(xué)、模式識別、數(shù)據(jù)庫、神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)、空間數(shù)據(jù)、數(shù)據(jù)可視化、人工智能、信息檢索、高性能計算等多個領(lǐng)域的理論和技術(shù)，是一門交叉學(xué)科。

一、數(shù)據(jù)挖掘在概率統(tǒng)計教學(xué)實踐中的初步應(yīng)用

在民辦高校概率論與數(shù)理統(tǒng)計教學(xué)實踐中，學(xué)生是主體，存在著教師對學(xué)生課程管理、成績管理、教學(xué)儀器管理、學(xué)生管理等各種數(shù)據(jù)系統(tǒng)。在這些數(shù)據(jù)庫中存儲了大量的數(shù)據(jù)，隱藏在這些數(shù)據(jù)背后的信息一直未得到開發(fā)應(yīng)用。學(xué)生是民辦高校的核心，學(xué)生的概率統(tǒng)計學(xué)習(xí)成績作為一種總結(jié)性評價，能反映出他們的概率統(tǒng)計知識技能的獲得情況和相應(yīng)概率統(tǒng)計知識掌握情況，概率統(tǒng)計學(xué)習(xí)成績是一個加權(quán)的綜合數(shù)值，不僅包括概率統(tǒng)計書面的考試成績，而且還包括一些人文的考核項目，比如出勤率、課題表現(xiàn)、各種活動等。學(xué)生概率統(tǒng)計成績不僅對學(xué)生的概率統(tǒng)計學(xué)習(xí)效果和教師的概率統(tǒng)計教學(xué)效果具有檢驗作用，而且還能反饋教學(xué)活動，反作用于學(xué)生的學(xué)和教師的教。一般對學(xué)生成績的評定分為兩種：一種是定性評價，一種是定量評價。定性評價一般分為優(yōu)、良、中、差等四個級別，定量評價是概率統(tǒng)計課程考了多少分。僅僅從單獨一門概率統(tǒng)計課程進行分析，很少關(guān)注到學(xué)生取得這些概率統(tǒng)計成績背后的影響因素和原因。數(shù)據(jù)庫是從定性分析的角度分析學(xué)生，缺點是結(jié)果不精確；數(shù)據(jù)倉庫是從定量的角度分析，能精確得到各個方面的數(shù)據(jù)。使用數(shù)據(jù)挖掘技術(shù)和數(shù)據(jù)倉庫對學(xué)生概率統(tǒng)計成績進行深層的分析，挖掘出隱藏在數(shù)據(jù)背后的模式或規(guī)律，根據(jù)數(shù)據(jù)挖掘結(jié)果提出一些指導(dǎo)性建議，更好地指導(dǎo)概率統(tǒng)計教師的教學(xué)，提高概率統(tǒng)計教學(xué)效率，有效地提高學(xué)生概率統(tǒng)計成績。

二、決策樹中的ID3算法

數(shù)據(jù)挖掘技術(shù)主要有遺傳算法、決策樹法、集合論法、神經(jīng)網(wǎng)絡(luò)法等。決策樹法分為CLS算法、ID3算法、IBLE算法等。ID3算法是由Quinlan首先提出的，該算法以信息論為基礎(chǔ)，以信息增益度和信息熵為衡量標(biāo)準(zhǔn)，從而實現(xiàn)對數(shù)據(jù)的歸納分類。

已知有C個結(jié)果的訓(xùn)練集S：

Entropy（S）=∑-p（I）log2p（I） （1）

這里：p（I）是屬于類I的S的比例。∑是對C求和。log2以2為底的自然對數(shù)。

如果所有S屬于相同的類，熵為0（數(shù)據(jù)分類完畢）。熵的范圍是0（分類完畢）到1（完全隨機）。

注意：S不但是屬性而且也是整個樣本集（這一點剛開始可能有點混淆）。

Entropy（S，A）=∑（|Sv|/|S|）*Entropy（Sv） （2）

這里：∑是屬性A的所有可能的值v；Sv=屬性A有v值的S的子集；|Sv|=Sv中元素個數(shù)；|S|=S中元素個數(shù)。

Gain（S，A）是屬性A在集S上的信息增益，定義為：

Gain（S，A）=Entropy（S）-Entropy（S，A） （3）

Gain（S，A）是指已知屬性A的值后導(dǎo)致熵的減少。Gain（S，A）越大，說明選擇檢測屬性A對分類提供的信息越多。

三、實例分析

通過對概率統(tǒng)計課程學(xué)生成績評定的典型案例，說明數(shù)據(jù)挖掘的步驟和決策樹方法在概率統(tǒng)計教學(xué)實踐中的應(yīng)用。

（一）分析對象

概率論與數(shù)理統(tǒng)計課程每學(xué)年考核一次，考核分為三個部分：一是概率統(tǒng)計課內(nèi)教學(xué)；二是概率統(tǒng)計課后作業(yè)；三是每學(xué)年期末概率統(tǒng)計考核。整個概率統(tǒng)計課程主要依據(jù)在規(guī)定時間內(nèi)完成的概率統(tǒng)計課后作業(yè)的質(zhì)量和期末概率統(tǒng)計考核成績來決定，概率統(tǒng)計實驗課作為較次要的考核內(nèi)容。上述概率統(tǒng)計教學(xué)內(nèi)容之間的關(guān)系，可以建立一個數(shù)據(jù)模型：學(xué)生狀況數(shù)據(jù)庫，包含學(xué)號、性別、作業(yè)、實驗課、期末考核、平均成績、名次等項目。

（二）已知條件

選擇兩個不同的班，每班30人，兩班60人，對學(xué)生狀況數(shù)據(jù)庫進行如下的量化、轉(zhuǎn)換、清理、集成等處理工作，得到相應(yīng)的數(shù)據(jù)倉庫（如表1所示），方便下一步數(shù)據(jù)挖掘的工作。

表1 學(xué)生狀況數(shù)據(jù)庫

學(xué)號字段定義為1—60；性別字段定義為：男或女；作業(yè)加分定義為：0表示作業(yè)錯誤，0.5表示作業(yè)正確一部分，1表示作業(yè)全部正確；實驗加分定義為：0表示基本不上概率統(tǒng)計實驗課，0.5表示適當(dāng)上實驗課，1表示按期上實驗課；期末加分定義為：0表示基本不參加概率統(tǒng)計期末考核，0.5表示參加期末考核取得了較好的成績；平均分定義為：學(xué)習(xí)成績總體情況，字段值為0-100（%）；名次定義為1-60，且記錄按名次從高到低排列。

（三）數(shù)據(jù)挖掘

應(yīng)用ID3算法建立相應(yīng)的決策樹，確定正例個數(shù)p和反例個數(shù)n。將名次排在前20名成績好的學(xué)生定義為正例，后40名成績不好的學(xué)生定義為反例，即p=20，n=40。

∴gain（作業(yè)加分）=I（p，n）-E（作加）=0.881-0.616=0.265同理，gain（實驗加分）=I（p，n）-E（課加）=0.881-0.801=0.08 gain（期末加分）=I（p，n）-E（測加）=0.881-0.879=0.002通過計算可知，作業(yè)加分具有最大的信息增益，故將作業(yè)加分選為根節(jié)點并向下擴展，最終生成決策樹（如圖1所示）。

（四）結(jié)論分析

圖1 成績分析決策樹

結(jié)合上頁圖1決策樹，經(jīng)過分析可以得到以下結(jié)論：

（1）學(xué)生上完概率統(tǒng)計課后，如按期并且獨立保質(zhì)保量按時完成概率統(tǒng)計作業(yè)，成績均較好。

（2）學(xué)生概率統(tǒng)計作業(yè)完成的較好的，也就是在概率統(tǒng)計課堂上思考能力較強，善于思考和分析，可以看出他們在概率統(tǒng)計的基礎(chǔ)上較為重視歸納和總結(jié)，均沒有過重的課內(nèi)壓力，其中概率統(tǒng)計課內(nèi)安排適度的學(xué)生學(xué)習(xí)成績也好。

（3）對于剛通過概率統(tǒng)計測評的學(xué)生，情況較為復(fù)雜，具體情況具體分析，一方面學(xué)生的概率統(tǒng)計作業(yè)、課內(nèi)實驗、期末考核安排合理時學(xué)習(xí)成績也好，另一方面，如果學(xué)生經(jīng)常不參加概率統(tǒng)計課程講授或不參加概率統(tǒng)計期末考核時，也會影響到學(xué)習(xí)成績，造成學(xué)習(xí)成績不好。

根據(jù)P221表1和圖1，對學(xué)生情況數(shù)據(jù)庫所建決策樹進行分析，可以初步判別：概率統(tǒng)計作業(yè)、概率統(tǒng)計實驗課、概率統(tǒng)計期末考核是相輔相成的，相互影響和制約，一般來說，學(xué)習(xí)成績較好的學(xué)生，也是概率統(tǒng)計實驗課和期末考試積極參加者。

這樣，教概率統(tǒng)計的老師可以針對不同的學(xué)生，對學(xué)生進行事先概率統(tǒng)計輔導(dǎo)，使教學(xué)內(nèi)容在時間上得到延伸，學(xué)生能夠提前預(yù)習(xí)和掌握概率統(tǒng)計教學(xué)內(nèi)容，可以減輕學(xué)生在上概率統(tǒng)計課的壓力，既緊張又輕松完成預(yù)期概率統(tǒng)計課程。同時，也要看到，如果僅重視上概率統(tǒng)計課和參加期末考試而不重視概率統(tǒng)計作業(yè)同樣也會影響到自身的學(xué)習(xí)成績，對于概率統(tǒng)計這門課程，學(xué)習(xí)成績好的學(xué)生，他們的上進心、責(zé)任心也相對較強，能夠很好地處理上述三者之間的關(guān)系；反之，對自己約束能力較差，經(jīng)常不上概率統(tǒng)計課，或不認(rèn)真完成概率統(tǒng)計作業(yè)的學(xué)生，學(xué)習(xí)成績自然就較差。

四、數(shù)據(jù)挖掘技術(shù)的進一步改進與探索

隨著越來越多的業(yè)務(wù)需求被不斷開拓，除上述在高等民辦院校概率統(tǒng)計課程教學(xué)實踐中的應(yīng)用外，數(shù)據(jù)挖掘技術(shù)已成功地應(yīng)用于醫(yī)學(xué)、商業(yè)、科學(xué)研究等領(lǐng)域，有很多成功的應(yīng)用案例。多種理論與方法的合理整合式大多數(shù)研究者采用的有效技術(shù)，下面是數(shù)據(jù)挖掘技術(shù)發(fā)展趨勢：（1）數(shù)據(jù)挖掘語言的標(biāo)準(zhǔn)化描述：標(biāo)準(zhǔn)的數(shù)據(jù)挖掘語言有助于數(shù)據(jù)挖掘的系統(tǒng)化開發(fā)。改進多個數(shù)據(jù)挖掘系統(tǒng)和功能間的互操作，促進在企業(yè)和社會中的應(yīng)用。

（2）尋求數(shù)據(jù)挖掘過程中的可視化方法：可視化要求已經(jīng)成為數(shù)據(jù)挖掘系統(tǒng)中不可少的技術(shù)。通過人機界面可以在發(fā)現(xiàn)知識的過程中進行很好的人機交互。數(shù)據(jù)的可視化推動人們主動進行知識發(fā)現(xiàn)的作用。

（3）與特定數(shù)據(jù)存儲類型的適應(yīng)問題：根據(jù)不同的數(shù)據(jù)存儲類型的特點，進行針對性的研究是必須面對的問題。

（4）網(wǎng)絡(luò)與分布式環(huán)境下的KDD問題：隨著網(wǎng)絡(luò)不斷發(fā)展，網(wǎng)絡(luò)資源日漸豐富，需要獨立的技術(shù)人員各自獨立地處理分離數(shù)據(jù)庫的工作?？紤]適應(yīng)分布式與網(wǎng)絡(luò)環(huán)境的關(guān)系，技術(shù)及系統(tǒng)將是數(shù)據(jù)挖掘中一個最為重要和繁榮的子領(lǐng)域。

（5）應(yīng)用的探索：隨著數(shù)據(jù)挖掘的日益普通，應(yīng)用范圍日益擴大，如電信業(yè)、零售業(yè)、生物醫(yī)學(xué)等領(lǐng)域。由于數(shù)據(jù)挖掘在處理特定應(yīng)用問題時存在局限性，目前的研究趨勢是開發(fā)針對于特定應(yīng)用的數(shù)據(jù)挖掘系統(tǒng)。

（6）數(shù)據(jù)挖掘與數(shù)據(jù)庫系統(tǒng)以及Web數(shù)據(jù)庫系統(tǒng)的集成：數(shù)據(jù)庫系統(tǒng)和Web數(shù)據(jù)庫已經(jīng)成為信息處理系統(tǒng)的主流。數(shù)據(jù)挖掘系統(tǒng)的理想體系結(jié)構(gòu)是與數(shù)據(jù)庫和數(shù)據(jù)倉庫系統(tǒng)的緊密結(jié)合。

結(jié)束語

數(shù)據(jù)挖掘技術(shù)作為一種新興的數(shù)據(jù)分析技術(shù)，經(jīng)過了十幾年的充實和發(fā)展，到目前為止已經(jīng)成功地運用在各個不同的領(lǐng)域。伴隨著科學(xué)技術(shù)的不斷發(fā)展和信息量的海量增加，比如依靠傳統(tǒng)的方法要在龐大的數(shù)據(jù)庫中找到具有科學(xué)決策的信息是非常困難的，數(shù)據(jù)挖掘技術(shù)就是從大量的數(shù)據(jù)中發(fā)現(xiàn)有用的知識和線索，借助于數(shù)據(jù)挖掘本身的技術(shù)去挖掘蘊藏在數(shù)據(jù)庫中的客觀規(guī)律，從而為科學(xué)合理的決策提供有力的支持。將數(shù)據(jù)挖掘技術(shù)引入到概率統(tǒng)計教學(xué)中，有助于在日常概率統(tǒng)計教學(xué)管理中不斷獲得有規(guī)律的信息，為民辦高校管理層提供決策依據(jù)，從而不斷提高概率統(tǒng)計教學(xué)質(zhì)量。本文通過對概率統(tǒng)計課程學(xué)生成績的評定的案例分析，闡述了數(shù)據(jù)挖掘技術(shù)在分析影響學(xué)生學(xué)習(xí)成績因素中的重要意義，目的是推廣數(shù)據(jù)挖掘技術(shù)在民辦高校教學(xué)實踐中的應(yīng)用，使數(shù)據(jù)挖掘技術(shù)在民辦高校得到進一步發(fā)展。

[1]盛驟，謝式千，潘承毅.概率論與數(shù)理統(tǒng)計：4版[M].北京：高等教育出版社，2010.

[2]譚旭，王麗珍，卓明.利用決策樹挖掘分類規(guī)則的算法研究[J].云南大學(xué)學(xué)報，2000，(6)：415-419.

[3]路延.數(shù)據(jù)挖掘技術(shù)在高等學(xué)校教學(xué)中的應(yīng)用研究[J].科技教育，2013，(13)：201.

[4]朱迪茨.實用數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2004：77-79.