李書翔張沂紅

摘 要：通過建立基于家庭經(jīng)濟(jì)困難學(xué)生數(shù)據(jù)庫的數(shù)據(jù)挖掘模型對困難生精準(zhǔn)識別進(jìn)行實證角度的探索，通過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)選取決策樹模型進(jìn)行學(xué)生識別，評估模型顯示，該數(shù)據(jù)挖掘模型預(yù)測具有較高的準(zhǔn)確率，能夠從一定程度上解決家庭經(jīng)濟(jì)困難學(xué)生認(rèn)定過程中存在的主觀性、片面性等問題。

關(guān)鍵詞：數(shù)據(jù)挖掘模型；家庭經(jīng)濟(jì)困難學(xué)生；精準(zhǔn)識別；決策樹

數(shù)據(jù)挖掘（Data Mining，DM）又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discover in Database，KDD），是指從數(shù)據(jù)庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的并有潛在價值的信息的過程[1]。數(shù)據(jù)挖掘在很多領(lǐng)域都是一個很時髦的詞，尤其是在如銀行、電信、保險、交通、零售等商業(yè)領(lǐng)域。但是，數(shù)據(jù)挖掘在教育領(lǐng)域的應(yīng)用尚處于理論探索階段，其他研究中已經(jīng)證明，數(shù)據(jù)挖掘在高校家庭經(jīng)濟(jì)困難學(xué)生精準(zhǔn)識別的過程中具有理論上的可行性，本文通過建立基于家庭經(jīng)濟(jì)困難學(xué)生數(shù)據(jù)庫的數(shù)據(jù)挖掘模型對困難生精準(zhǔn)識別進(jìn)行實證角度的探索，以期能夠解決家庭經(jīng)濟(jì)困難學(xué)生認(rèn)定過程中存在的主觀性、片面性等問題。

本研究通過運(yùn)用數(shù)據(jù)挖掘技術(shù)，對家庭經(jīng)濟(jì)困難學(xué)生的數(shù)據(jù)進(jìn)行量化分析、建模評價、以及結(jié)果分析。本文的主要設(shè)計思路為：針對學(xué)生的一系列評價家庭經(jīng)濟(jì)困難程度的指標(biāo)劃分學(xué)生困難等級，有利于簡化家庭經(jīng)濟(jì)困難學(xué)生的認(rèn)定程序，降低錯誤率。一個完整的數(shù)據(jù)挖掘過程主要包括數(shù)據(jù)準(zhǔn)備、建立模型進(jìn)行挖掘、模型的評價與修正三個階段。借助數(shù)據(jù)庫中已有學(xué)生信息，使用數(shù)據(jù)挖掘方法開發(fā)出困難等級評分模型從已有數(shù)據(jù)中分析歸納出困難生識別的規(guī)則和標(biāo)準(zhǔn)。然后，將這些規(guī)則或標(biāo)準(zhǔn)應(yīng)用于困難生認(rèn)定過程。本文所采用的數(shù)據(jù)挖掘軟件為SPSS Clementine 12.0。該軟件操作簡單、無需編程、界面人性化，是一款十分適用的數(shù)據(jù)挖掘軟件。圖1展示了基于數(shù)據(jù)挖掘的困難生精準(zhǔn)識別所構(gòu)建的模型。

一、數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要包括原始數(shù)據(jù)整理與數(shù)據(jù)分割兩部分。

本研究采用原始數(shù)據(jù)來自2015年度某高校某學(xué)院家庭經(jīng)濟(jì)困難學(xué)生數(shù)據(jù)庫，該數(shù)據(jù)庫共有數(shù)據(jù)496條。從學(xué)生《家庭情況調(diào)查表》以及家庭經(jīng)濟(jì)困難申請表中原因陳述結(jié)果可以看到，涉及到學(xué)生的特征指標(biāo)包括戶籍性質(zhì)（HJ）（農(nóng)村、城鎮(zhèn)），戶口所在地（HK）（東部、西部、中部），家庭人口數(shù)（RK），是否孤殘（GC），是否單親（DQ），家庭人均年收入（SR），家庭健康情況（JK），家庭負(fù)債情況（FJ）等一系列指標(biāo)。數(shù)據(jù)經(jīng)整理后能夠滿足Clementine對數(shù)據(jù)挖掘的要求。

數(shù)據(jù)分割的目的主要是為了驗證數(shù)據(jù)挖掘模型，根據(jù)一般原則，數(shù)據(jù)分割的比例配比為訓(xùn)練集（40%），測試集（30%），驗證集（30%）。分割方法為簡單隨機(jī)抽樣，利用Clementine 12.0的Partition節(jié)點完成。分割后的三個數(shù)據(jù)集用新增變量Partition的取值標(biāo)識，但仍合并在同一個數(shù)據(jù)文件里。

二、建立模型

家庭經(jīng)濟(jì)困難的等級與困難學(xué)生本身的特性是緊密相關(guān)的，經(jīng)由這些特性能夠細(xì)分學(xué)生困難等級，常用的特征識別方法是分類樹。分類樹著眼于從一組無次序、無規(guī)則的事例中推理出分類樹表示的分類規(guī)則?，F(xiàn)在比較常見的算法是基于信息論的方法的決策樹。本文選取決策樹模型來分析處于不同困難等級的學(xué)生所共有的一些個人信息，并對困難生認(rèn)定提出相應(yīng)的一些建議。

符合以下幾條規(guī)則之一的，可以認(rèn)定為家庭經(jīng)濟(jì)條件特殊困難：（1）人均年收入少于2250元，家庭人口少于3.5；（2）家庭人口多于3.5，人均年收入少于950元；（3）人均年收入高于2250元，家中有負(fù)債，人口數(shù)少于5人，家庭存在不健康因素。

符合以下幾條規(guī)則之一的，可以認(rèn)定為家庭經(jīng)濟(jì)條件困難：（1）人均年收入大于1250元，家中有負(fù)債，農(nóng)村戶口；（2）人均年收入大于1250元，戶籍所在地為中西部地區(qū)；（3）人均年收入大于1250，家中人口多于5人，且有負(fù)債；（4）收入多于2250，人口數(shù)多于6人且家中不健康因素的。

符合以下幾條規(guī)則之一的，可以認(rèn)定為家庭經(jīng)濟(jì)條件一般困難：（1）收入多于1250，家住農(nóng)村，無負(fù)債；（2）收入在2250到2450之間，家住中東部，人口少于6人；（3）收入大于2450元。

三、模型評估

完成模型的制定以后，下一步就是對模型進(jìn)行評估，檢驗其預(yù)測能力的強(qiáng)弱。一般來說，模型的檢驗有兩種方式：樣本內(nèi)檢驗和樣本外檢驗。在Clementine中，模型評估主要采用圖形展示，例如Gain圖、Lift圖等。另外，也常用分類矩陣來比較預(yù)測結(jié)果與實際結(jié)果的吻合程度，分析結(jié)果如圖2。

首先，從收益圖可以明顯的看出，利用決策樹得到預(yù)測模型準(zhǔn)確率非常高，幾乎與理想模型重合，而基于客戶特征的細(xì)分變量的準(zhǔn)確率也比較高。

為了更好的評判預(yù)測效果，利用Clementine 12.0中的Analysis節(jié)點，可以得到如下關(guān)于決策樹模型在三個部分的數(shù)據(jù)集中的預(yù)測準(zhǔn)確率。在大小為40%的訓(xùn)練數(shù)據(jù)集中，模型的預(yù)測準(zhǔn)確率達(dá)到86.03%；在大小為30%的檢驗數(shù)據(jù)集中預(yù)測準(zhǔn)確率為86.1%；在大小為30%的驗證數(shù)據(jù)集中，其預(yù)測準(zhǔn)確率達(dá)到86.18%?？梢姡脹Q策樹模型已經(jīng)達(dá)到了相當(dāng)好的估計效果。

四、結(jié)論

數(shù)據(jù)挖掘模型的運(yùn)行結(jié)果在理論與實踐層面都得出了有益的結(jié)論。

首先，數(shù)據(jù)挖掘的運(yùn)行結(jié)果給出了困難生認(rèn)定的一些普遍規(guī)則，這些規(guī)則基于困難生認(rèn)定的原始數(shù)據(jù)所表現(xiàn)出來的困難生的特性，反映學(xué)生的方方面面。這些規(guī)則在困難生認(rèn)定過程中將會是非常好的參考條件，甚至對困難生認(rèn)定的準(zhǔn)確度起決定作用。

其次，數(shù)據(jù)挖掘應(yīng)用于家庭經(jīng)濟(jì)困難學(xué)生精準(zhǔn)識別，對于數(shù)據(jù)挖掘在教育領(lǐng)域尤其是在學(xué)生管理與服務(wù)工作中的應(yīng)用提供了有益的借鑒，這種借鑒也不應(yīng)止步于此，應(yīng)當(dāng)進(jìn)行更加深入的研究與應(yīng)用，一遍提高高等學(xué)校學(xué)生工作的科學(xué)化水平。（作者單位：1.濟(jì)南大學(xué)外國語學(xué)院；2.濟(jì)南大學(xué)黨委學(xué)生工作部）

參考文獻(xiàn)：

[1] 謝邦昌等. 數(shù)據(jù)挖掘基礎(chǔ)與應(yīng)用（SQL Server 2008）[M]. 機(jī)械工業(yè)出版社， 2012， （1）.

[2] 呂紅胤等. 大數(shù)據(jù)引領(lǐng)教育未來—從成績預(yù)測談起[J]. 電子科技大學(xué)， 2015， （4）.