范殉琦　鐘寶榮

摘要；現(xiàn)如今大學(xué)生人數(shù)逐年在增多，就業(yè)壓力也在逐年增大，獲得含金量較大的證書無疑可以增大大學(xué)生就業(yè)的優(yōu)勢，CET-4證書就是其中的一種。從本校大學(xué)一年級學(xué)生教育學(xué)習(xí)情況調(diào)查問卷中，運用決策樹C4。5算法進行數(shù)據(jù)挖掘，可以發(fā)現(xiàn)學(xué)生高考成績、性別、對英語的學(xué)習(xí)態(tài)度、努力程度、與英語老師的關(guān)系和英語四級考試成績之間潛在的關(guān)系。運用WEKA數(shù)據(jù)挖掘軟件，可以很清晰直觀的進行數(shù)據(jù)挖掘并分析出影響英語四級考試的因素，對高校英語教學(xué)有一定的指導(dǎo)意義。

關(guān)鍵詞：WEKA軟件；CET-4成績；數(shù)據(jù)挖掘；決策樹

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）07-0248-02

1引言

大學(xué)英語四級考試，即CET-4，College English Test Band4的縮寫，是由國家教育部高等教育司主持的全國性教學(xué)考試?？荚囉幸欢ǖ碾y度并且監(jiān)考力度大，考試成績具有很高的可信度，因此引起了高校中學(xué)生、老師和領(lǐng)導(dǎo)的高度重視。

學(xué)校每年都會進行在校大學(xué)生學(xué)習(xí)情況的調(diào)查，而這些數(shù)據(jù)僅僅是用在表面的數(shù)據(jù)查詢，數(shù)據(jù)背后隱藏的有用信息并未被有效的挖掘出來。針對這個問題，利用WEKA數(shù)據(jù)挖掘軟件中決策樹J48（對C4.5進行了改進）算法，挖掘出學(xué)生高考成績、性別、對英語的學(xué)習(xí)態(tài)度、努力程度、與英語老師的關(guān)系與CET-4成績之間的潛在關(guān)系，分析出那些因素對CET-4成績影響最大，從而總結(jié)出學(xué)習(xí)的規(guī)律，提高高校學(xué)生的CE'T-4成績。

2WEKA軟件

2.1WEKA數(shù)據(jù)挖掘軟件介紹

Weka的全名是懷卡托智能分析環(huán)境（WaikatoEnvironment for Knowledge Analysis），是一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機器學(xué)習(xí)算法，包括對數(shù)據(jù)進行預(yù)處理，分類，回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。

2.2WEKA數(shù)據(jù)集格式AR]EF

ARFF（Attribute-Relation File Format）格式是一種ASCII文本文件，記錄了具有共同屬性的實例集。ARFF格式是數(shù)據(jù)挖掘軟件WEKA所使用的文件格式。ARFF文件分為注釋、關(guān)系名、屬性名、數(shù)據(jù)域幾大部分，注釋用百分號開頭%，關(guān)系名用@relation申明，屬性用@attribute什么，數(shù)據(jù)域用@data開頭。當(dāng)數(shù)據(jù)是數(shù)值型，在屬性名的后面加numeric，如果是離散值（枚舉值），就用一個大括號將值域列出來。@data下一行后為數(shù)據(jù)記錄，數(shù)據(jù)為矩陣形式，即每一個的數(shù)據(jù)元素個數(shù)相等，若有缺失值，就用問號？表示。

3C4.5數(shù)據(jù)挖掘算法

C4.5算法是機器學(xué)習(xí)算法中的一種分類決策樹算法，其核心算法ID3算法。分類決策樹算法是從大量事例中進行提取分類規(guī)則的自上而下的決策樹。

ID3算法的核心思想就是以信息增益度量屬性選擇，選擇分裂后信息增益最大的屬性進行分裂。

設(shè)D為用類別對訓(xùn)練元組進行的劃分，則D的熵（entropy）表示為：

其中p_i表示第i個類別在整個訓(xùn)練元組中出現(xiàn)的概率，可以用屬于此類別元素的數(shù)量除以訓(xùn)練元組元素總數(shù)量作為估計。熵的實際意義表示是D中元組的類標(biāo)號所需要的平均信息量。

現(xiàn)在我們假設(shè)將訓(xùn)練元組D按屬性A進行劃分，則A對D劃分的期望信息為；

而信息增益即為兩者的差值：

C4.5算法繼承了TD3算法的優(yōu)點，并對ID3算法進行了改進：

C4.5算法首先定義了“分裂信息”，其定義可以表示成：

其中各符號意義與ID3算法相同，然后，增益率被定義為；

4CE4-4成績挖掘與分析

4.1確定挖掘?qū)ο箅A段

此次實驗的數(shù)據(jù)來源于我校在校學(xué)生學(xué)習(xí)情況、學(xué)生入學(xué)信息等多個數(shù)據(jù)源，利用數(shù)據(jù)庫技術(shù)將多個數(shù)據(jù)源中的可能對CET-4成績造成影響的字段進行整合，合并成一個用于分析學(xué)生CET-4成績的數(shù)據(jù)表。運用WEKA軟件，挖掘出學(xué)生高考成績、性別、對英語的學(xué)習(xí)態(tài)度、努力程度、與英語老師的關(guān)系和英語四級考試成績之間潛在的關(guān)系。

4.2數(shù)據(jù)收集與數(shù)據(jù)預(yù)處理

本次數(shù)據(jù)中的原始樣本數(shù)據(jù)共有1650個，經(jīng)過初步的數(shù)據(jù)清理、排除、整合等操作后，參與數(shù)據(jù)挖掘的數(shù)據(jù)共有1528個，樣本的有效率達(dá)到了92.6%。得到了一個包含stuNum，stuName，stuSex，stuScore，stuAttitude，stuWork，stuRelation，CET4Score八個字段的影響CET4成績的數(shù)據(jù)表，數(shù)據(jù)如表1所示。

4.3數(shù)據(jù)轉(zhuǎn)換

首先需要對stuScore、stuWork、CET4Score字段的數(shù)據(jù)通過離散化的方法，將原本NUMERIC類型轉(zhuǎn)換為NOMINAL類型。將大學(xué)生高考成績離散化為“A”（≥120分），“B”（≥105且<120分），“C”（≥90且<105分），“D”（<90分）；將學(xué)生努力程度（每日學(xué)習(xí)英語的時間）離散化為“l(fā)azy”（425分），“nopass”（分?jǐn)?shù)<425分）。當(dāng)進行挖掘時，剔除掉stuNum和stuNarne兩個字段的值。

4.4數(shù)據(jù)字段說明

經(jīng)過轉(zhuǎn)化后，屬性的可選值為：

5實驗結(jié)果

從數(shù)據(jù)集中隨機抽取1428條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，把剩余的100條數(shù)據(jù)作為測試數(shù)據(jù)集，測試決策樹的正確預(yù)測率。Weka中對數(shù)據(jù)集進行決策樹分析，產(chǎn)生的決策樹如圖1。

正確率達(dá)到79.6218%，如圖2所示。

從建立的決策樹模型中推測主要影響大學(xué)一年級新生的CFA一4成績因素有三個，學(xué)習(xí)的努力程度、對英語的學(xué)習(xí)態(tài)度、高考成績。

從中可以看出，學(xué)生的努力程度對第一次CET-4是否能通過，有很明顯的預(yù)測作用，這也和我們本身認(rèn)知一致，當(dāng)付出了足夠的努力，會獲取相應(yīng)的回報，同時培養(yǎng)學(xué)生的學(xué)習(xí)興趣，對提高成績也有很大的幫助，這個信息給了高校的英語老師一個很好的提示，盡可能的要提高學(xué)生學(xué)習(xí)興趣，同時高考的成績也反映出學(xué)生的基礎(chǔ)知識，學(xué)習(xí)是個長期努力的過程，需要長時間的積累，只有對英語有興趣，花足夠多的時間來學(xué)習(xí)英語，才能更好地提高英語成績。

6結(jié)語

本文研究了可能影響CET-4成績的相關(guān)因素，介紹了C4.5數(shù)據(jù)挖掘方法，以開源數(shù)據(jù)挖掘軟件WEKA平臺為基礎(chǔ)，調(diào)用其封裝好的決策樹J48算法，快速的挖掘出學(xué)生高考成績、性別、對英語的學(xué)習(xí)態(tài)度、努力程度、與英語老師的關(guān)系和英語四級考試成績之間潛在的關(guān)系。WEKA數(shù)據(jù)挖掘軟件開源并且源代碼免費，是一款非常好的數(shù)據(jù)挖掘軟件，利用該軟件可以節(jié)省挖掘數(shù)據(jù)的時間，提高工作的效率，挖掘出數(shù)據(jù)背后的隱藏的、有價值的信息，從而提高人們的學(xué)習(xí)效率，生活質(zhì)量。