杜云梅　劉東

摘 要：基于大數(shù)據(jù)對(duì)大學(xué)生體質(zhì)進(jìn)行分類(lèi)預(yù)測(cè)，有助于大學(xué)體育治理體系的建設(shè)，樸素貝葉斯模型是一種操作簡(jiǎn)單且性能較好的機(jī)器學(xué)習(xí)分類(lèi)算法。基于樸素貝葉斯分類(lèi)算法，采用廣州商學(xué)院2014、2015年學(xué)生體測(cè)數(shù)據(jù)及其評(píng)分結(jié)果作為源數(shù)據(jù)，構(gòu)建大學(xué)生體質(zhì)分類(lèi)器。應(yīng)用此分類(lèi)器可對(duì)大學(xué)生的體質(zhì)狀況實(shí)現(xiàn)一定概率意義上正確的判斷，從而可以對(duì)體質(zhì)存在隱患概率比較大的學(xué)生給出主動(dòng)性預(yù)警，以便大學(xué)體育對(duì)學(xué)生進(jìn)行群體性的體質(zhì)判斷、進(jìn)行個(gè)性化的有效干預(yù)，從而促進(jìn)學(xué)生健康發(fā)展，提高大學(xué)生整體體質(zhì)水平。分類(lèi)器模型用Python編碼實(shí)現(xiàn)，最后用與訓(xùn)練數(shù)據(jù)不重疊的歷史體質(zhì)數(shù)據(jù)檢測(cè)分類(lèi)器的準(zhǔn)確率，結(jié)果顯示，基于樸素貝葉斯算法的體質(zhì)分類(lèi)器達(dá)到了78%的正確率。

關(guān) 鍵 詞：學(xué)校體育；大學(xué)生體質(zhì)分析；運(yùn)動(dòng)干預(yù)；樸素貝葉斯分類(lèi)算法；大數(shù)據(jù)

中圖分類(lèi)號(hào)：G80-05 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-7116（2018）01-0117-05

Abstract： Based on big data， the authors carried out classification and prediction on university student fitness， which is conducive to university sports governance system construction； the Na?ve Bayes model is a machine learning classification algorithm that is simple to operate and provided with good performance. Based on Naive Bayes classification algorithm， and using the physical test data of classes 2014 and 2015 students of Guangzhou Business College and their score results as source data， the authors established a university student fitness classifier. By applying such a classifier， researchers can， in a certain sense of probability， correctly determine newly or previously enrolled university students fitness condition， thus give a proactive early warning to those students whose fitness has a relatively high probability of hidden troubles， so that university physical education can carry out group fitness determination and individualized effective intervention on the students， thus promoting student healthy development and improving university students overall fitness level. The classifier mode was realized by using Python coding， in the end， the classifiers accuracy rate was verified by using historical fitness data that did not overlap with training data， and the result showed that the fitness classifier based on na?ve Bayes algorithm reached a correct rate of 78%.

Key words： school physical education；university student fitness analysis；sports intervention；Naive Bayes classifier algorithm；big data

2007年中共中央國(guó)務(wù)院《關(guān)于加強(qiáng)青少年體育增強(qiáng)青少年體質(zhì)的意見(jiàn)》[1]印發(fā)實(shí)施，2012年教育部等出臺(tái)《關(guān)于教育部加強(qiáng)學(xué)校體育工作的若干意見(jiàn)》[2]，2014年重新修訂了《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》[3]，2016年《“健康中國(guó)2030”規(guī)劃綱要》更將青少年體質(zhì)問(wèn)題上升到國(guó)家戰(zhàn)略層面[4]。各級(jí)政府、各類(lèi)學(xué)校和社會(huì)各界凝共識(shí)、聚合力、謀發(fā)展，協(xié)同加強(qiáng)學(xué)校體育治理體系建設(shè)。

但根據(jù)1985年開(kāi)始的每5年一次的學(xué)生體質(zhì)調(diào)研數(shù)據(jù)，大學(xué)生體質(zhì)健康下滑趨勢(shì)依然未得到遏制，甚至在很多指標(biāo)上不如中學(xué)生[5-7]。各大學(xué)有必要結(jié)合新技術(shù)新理論推進(jìn)體育教學(xué)改革，加強(qiáng)體育干預(yù)體系建設(shè)。

最近10年來(lái)，數(shù)據(jù)積累的急劇增加和針對(duì)數(shù)據(jù)的全鏈條技術(shù)整體成熟，催生了大數(shù)據(jù)以及接踵而來(lái)的人工智能的熱潮。利用體質(zhì)數(shù)據(jù)監(jiān)測(cè)與人工智能分析技術(shù)，對(duì)疾病預(yù)防和健康趨勢(shì)分析都具有積極的意義。國(guó)家也將健康醫(yī)療大數(shù)據(jù)應(yīng)用發(fā)展納入了國(guó)家大數(shù)據(jù)戰(zhàn)略布局[8-9]。

本研究正是嘗試應(yīng)用大數(shù)據(jù)與人工智能技術(shù)，對(duì)體質(zhì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模與分析。基于樸素貝葉斯分類(lèi)算法，構(gòu)建大學(xué)生體質(zhì)分類(lèi)器，應(yīng)用此分類(lèi)器可對(duì)大學(xué)生的體質(zhì)狀況實(shí)現(xiàn)一定概率意義上正確的判斷，從而對(duì)體質(zhì)存在隱患概率比較大的學(xué)生給出主動(dòng)性預(yù)警，以便大學(xué)體育對(duì)學(xué)生進(jìn)行群體性的體質(zhì)判斷，為促進(jìn)大學(xué)生體質(zhì)健康發(fā)展提供數(shù)據(jù)與決策支撐。endprint

1 樸素貝葉斯分類(lèi)器

大學(xué)生的體質(zhì)屬于什么類(lèi)別，其實(shí)就是一個(gè)分類(lèi)問(wèn)題，從數(shù)學(xué)角度來(lái)說(shuō)，分類(lèi)問(wèn)題可做如下定義：已知集合：C={y1，y2，…，yn}和I={x1，x2，…，xm，…}，確定映射規(guī)則y=f（x），使得任意xi∈I有且僅有一個(gè)yj∈C使得yj= f（xi）成立。樸素貝葉斯（Naive Bayes）是一種基于貝葉斯定理與特征條件獨(dú)立假設(shè)的機(jī)器學(xué)習(xí)分類(lèi)算法。它的思想基礎(chǔ)是對(duì)于給出的待分類(lèi)項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類(lèi)別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類(lèi)項(xiàng)屬于哪個(gè)類(lèi)別。

樸素貝葉斯模型是流行的十大挖掘算法之一，之所以備受人們關(guān)注，是因?yàn)樗僮骱?jiǎn)單且性能較好，由于計(jì)算的高效性和高精度，樸素貝葉斯分類(lèi)模型在文本分類(lèi)領(lǐng)域得到了廣泛的應(yīng)用[10-13]。

P（A|B）表示事件B已經(jīng)發(fā)生的前提下事件A發(fā)生的概率，叫做事件B發(fā)生下事件A的條件概率。其基本求解公式為：P（A|B）= ?，F(xiàn)實(shí)中經(jīng)常遇到這種情況：P（A|B）可以很容易直接得出，而P（B|A）則很難直接得出，但我們更關(guān)心P（B|A），貝葉斯定理便是基于條件概率，通過(guò)P（A|B）來(lái)求P（B|A）。貝葉斯定理即：P（B|A）= ，其中，分母P（A），可以根據(jù)全概率公式分解為：P（A）= 。

給定訓(xùn)練數(shù)據(jù)集（X，Y），其中每個(gè)樣本X都包括n維特征，即X=（x1，x2，x3，…，xn），類(lèi)標(biāo)記集合含有k種類(lèi)別，即Y=（y1，y2，…，yk）。如果現(xiàn)在來(lái)了一個(gè)新樣本x，要判斷它的類(lèi)別，從概率的角度來(lái)看，這個(gè)問(wèn)題就是給定x，它屬于哪個(gè)類(lèi)別的概率最大。那么問(wèn)題就轉(zhuǎn)化為求解P（y1|x），P（y2|x），…，P（yk|x）中最大的那個(gè)，即求后驗(yàn)概率最大的輸出：argmaxykP（yk|x）。根據(jù)貝葉斯定理P（yk|x）= ，根據(jù)全概率公式，可以進(jìn)一步地分解上式中的分母：

可以看出，樸素貝葉斯分類(lèi)器的分類(lèi)原理是通過(guò)某對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對(duì)象屬于某一類(lèi)的概率，選擇具有最大后驗(yàn)概率的類(lèi)作為該對(duì)象所屬的類(lèi)。根據(jù)上述分析，構(gòu)造樸素貝葉斯分類(lèi)器主要可以分為4個(gè)步驟：

1）確定特征屬性與類(lèi)別集合：設(shè)X（x1，x2，……，xm）為一個(gè)待分類(lèi)處理項(xiàng)，而每個(gè)xi為X的一個(gè)特征屬性向量。類(lèi)別集合Y=（y1，y2，……，yn），每個(gè)yk為一個(gè)分類(lèi)項(xiàng)，該集合是預(yù)先已得到的。

2）獲取訓(xùn)練集：收集并準(zhǔn)備訓(xùn)練數(shù)據(jù)，對(duì)連續(xù)型變量要進(jìn)行離散化或分布處理。另外，樸素貝葉斯是有監(jiān)督的機(jī)器學(xué)習(xí)算法，需要有屬性標(biāo)記。

3）分類(lèi)模型訓(xùn)練：輸入特征屬性和訓(xùn)練樣本，計(jì)算P（yk），P（xi|yk），即計(jì)算每個(gè)類(lèi)別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類(lèi)別的條件概率估計(jì)，生成分類(lèi)器。

4）驗(yàn)證與應(yīng)用：使用分類(lèi)器對(duì)待分類(lèi)項(xiàng)進(jìn)行分類(lèi)，對(duì)于待分類(lèi)項(xiàng)X，如果存在P（yk|X）=max（P（yk）∏P（xi|yk），則X∈yk。

算法的核心部分就是訓(xùn)練集的準(zhǔn)備和模型的學(xué)習(xí)訓(xùn)練過(guò)程，訓(xùn)練之后所形成的分類(lèi)器可直接應(yīng)用。

2 體質(zhì)分類(lèi)器的構(gòu)造

參照上述的構(gòu)造步驟，針對(duì)大學(xué)生體質(zhì)問(wèn)題，應(yīng)用樸素貝葉斯算法構(gòu)造體質(zhì)分類(lèi)器的具體過(guò)程如下：

2.1 屬性定義

參照國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)，設(shè)定了12項(xiàng)體質(zhì)特征：性別、年齡、年級(jí)、籍貫、身高、體質(zhì)量、身體質(zhì)量指數(shù)（BMI）、肺活量、速度素質(zhì)、爆發(fā)力素質(zhì)、柔韌性素質(zhì)、耐力素質(zhì)、力量素質(zhì)。

設(shè)定分類(lèi)集合為：優(yōu)秀、良好、及格、不及格。

2.2 數(shù)據(jù)預(yù)處理

以廣州商學(xué)院2014年和2015年學(xué)生的真實(shí)體測(cè)數(shù)據(jù)作為源數(shù)據(jù)。

首先，按照《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)（2014年修訂）》中的評(píng)分標(biāo)準(zhǔn)，編寫(xiě)計(jì)算機(jī)程序算出每個(gè)學(xué)生的單項(xiàng)評(píng)分、學(xué)年總分并評(píng)定等級(jí)，去除有缺失值的數(shù)據(jù)條目，最后得到21 664條有效記錄，形成有體質(zhì)分類(lèi)結(jié)果的完整數(shù)據(jù)集。廣州商學(xué)院學(xué)生的體質(zhì)分布如圖1所示，其中不及格占10.97%，及格占78.36%，良好占10.50%，優(yōu)秀的只有0.2%左右，學(xué)生體質(zhì)狀態(tài)不容樂(lè)觀，雖然絕大部分學(xué)生的體質(zhì)處于及格線(xiàn)上，但達(dá)到優(yōu)秀等級(jí)的非常少。

接著，為后面分類(lèi)器運(yùn)算的方便，進(jìn)一步將體質(zhì)特征中性別的“男/女”分別轉(zhuǎn)換為數(shù)值1/2，將體質(zhì)指數(shù)的“優(yōu)秀/良好/及格/不及格”分別轉(zhuǎn)換為數(shù)值1/2/3/4，將身高、體質(zhì)量?jī)蓚€(gè)數(shù)據(jù)項(xiàng)換算合并為BMI一個(gè)數(shù)據(jù)項(xiàng)。

除了年齡、年級(jí)和籍貫屬性是離散型數(shù)據(jù)不需進(jìn)一步處理，其他屬性都是連續(xù)型變量，需要進(jìn)行離散化處理，本研究采用的辦法是參考國(guó)家體質(zhì)評(píng)分標(biāo)準(zhǔn)，劃分特征的取值區(qū)間，在分類(lèi)器的訓(xùn)練過(guò)程中，計(jì)算的是區(qū)間概率。

另外，采用了Laplace平滑處理來(lái)解決零概率問(wèn)題。在計(jì)算實(shí)例的概率時(shí)，如果某個(gè)量在觀察樣本庫(kù)（訓(xùn)練集）中沒(méi)有出現(xiàn)過(guò)，會(huì)導(dǎo)致整個(gè)實(shí)例的概率結(jié)果是0，在體質(zhì)分類(lèi)的問(wèn)題中，當(dāng)一個(gè)特征取值區(qū)間沒(méi)有在訓(xùn)練樣本中出現(xiàn)，該取值區(qū)間的概率就為0，使用連乘計(jì)算體質(zhì)概率時(shí)也為0，這是不合理的，不能因?yàn)橐粋€(gè)事件沒(méi)有觀察到就武斷地認(rèn)為該事件的概率是0。在計(jì)算實(shí)例的概率時(shí)用加1的方法估計(jì)沒(méi)有出現(xiàn)過(guò)的現(xiàn)象的概率。

2.3 訓(xùn)練集

在Python中編碼實(shí)現(xiàn)2.2節(jié)所述的數(shù)據(jù)預(yù)處理，得到的數(shù)據(jù)集存儲(chǔ)為csv文件，第一行為索引行，包括12個(gè)體質(zhì)特征和體質(zhì)等級(jí)，后面每一行是每個(gè)同學(xué)的體質(zhì)特征和等級(jí)取值，值之間以逗號(hào)分隔。該文件就是接下來(lái)分類(lèi)器訓(xùn)練的數(shù)據(jù)輸入，為保證模型檢驗(yàn)的客觀性，本研究采用切片法，將其中的80%作為訓(xùn)練數(shù)據(jù)，另外的20%留作檢驗(yàn)數(shù)據(jù)。

2.4 分類(lèi)器訓(xùn)練

在特征選取和訓(xùn)練數(shù)據(jù)基礎(chǔ)上，可以構(gòu)造多種不同目的的分類(lèi)器。這里有代表性地列舉了兩個(gè)分類(lèi)器。第1個(gè)分類(lèi)器是樸素貝葉斯算法的正向應(yīng)用，即已知部分屬性來(lái)預(yù)測(cè)體質(zhì)分類(lèi)。為了演示貝葉斯的工作過(guò)程，這個(gè)分類(lèi)器只選取了4個(gè)特征以方便演示樸素貝葉斯的分類(lèi)原理。第2個(gè)分類(lèi)器反過(guò)來(lái)把體質(zhì)分類(lèi)結(jié)果作為一個(gè)特征項(xiàng)，來(lái)預(yù)測(cè)屬性的取值區(qū)間。endprint

1）分類(lèi)器1。

特征：性別，身高，體質(zhì)量，肺活量。其中，性別（x1）有兩個(gè)取值（男，女）；年級(jí)（x2）有兩個(gè)取值（大一大二，大三大四）；用身高、體質(zhì)量換算成BMI（x3），分成4個(gè)取值區(qū)間（≤17.1，17.2～23.9，24.0～27.9，≥28.0）；肺活量（x4），按以下值（3 400，3 350，3 300，3 150，3 000，2 900，2 800，2 700，2 600，2 500，2 400，

2 300，2 200，2 100，2 000，1 960，1 920，1 880，

1 840，1 800）分成20個(gè)取值區(qū)間。

分類(lèi)：體質(zhì)級(jí)別（優(yōu)秀y1，良好y2，及格y3，不及格y4）。

待分類(lèi)項(xiàng)：例如身高160 cm、體質(zhì)量48 kg、肺活量2 400 mL的大一女生，體質(zhì)最可能是什么級(jí)別？這個(gè)問(wèn)題即是給定條件X=（女，1，18.75，2 400），條件概率P（y1|X）P（y2|X）P（y3|X）P（y4|X）中最大的那個(gè)，就是分類(lèi)器預(yù)測(cè)那個(gè)類(lèi)別。根據(jù)特征條件獨(dú)立的假設(shè)，P（y1|X）=P（y1|x1，x2，x3，x4）=P（y1）P（x1|y1）P（x2|y1）P（x3|y1）

P（x4|y1）/P（x1，x2，x3，x4）。這些都可以通過(guò)訓(xùn)練集中數(shù)據(jù)計(jì)算出來(lái)。

2）分類(lèi)器2。

特征：性別，年級(jí)，身高，體質(zhì)量，肺活量，速度，爆發(fā)力，體質(zhì)等級(jí)。

分類(lèi)：耐力級(jí)別。

待分類(lèi)項(xiàng)：如一個(gè)身高160 cm、體質(zhì)量48 kg、肺活量2 700 mL，50 m跑成績(jī)10.2 s的大一女生想要得到優(yōu)秀體質(zhì)級(jí)別，800 m跑要達(dá)到什么水平？

分類(lèi)器的原理不再贅述，都能在Python中編碼實(shí)現(xiàn)，用到Pandas、Sklearn和Numpy等外部庫(kù)，采用GaussianNB實(shí)現(xiàn)模型。

2.5 分類(lèi)器檢驗(yàn)

將2.2節(jié)中得到的數(shù)據(jù)集用切片法切出數(shù)據(jù)總量的另外20%作為檢驗(yàn)數(shù)據(jù)，采用了Precision、Recall、Fb-score和Accuracy四個(gè)評(píng)價(jià)指標(biāo)，其中Precision（精度）是精確性的度量，表示被分為正例的示例中實(shí)際為正例的比例；Recall（召回率）是覆蓋面的度量，度量有多個(gè)正例被分為正例，F(xiàn)b-score是準(zhǔn)確率和召回率的調(diào)和平均：Fb=[（1+b2）×P×R]/（b2×P+R）。Accuracy（正確率）表示被分為正例的條目數(shù)與檢驗(yàn)數(shù)據(jù)條目數(shù)的比例。檢測(cè)結(jié)果表1所示。從檢驗(yàn)結(jié)果可以看出，分類(lèi)器的綜合正確率達(dá)到77.98%。

2.6 體質(zhì)分類(lèi)器在體育教學(xué)實(shí)踐中的應(yīng)用

用訓(xùn)練數(shù)據(jù)訓(xùn)練得到的分類(lèi)器可以直接使用，輸入學(xué)生的幾項(xiàng)體質(zhì)特征值，就可以得到相應(yīng)的分類(lèi)結(jié)果，可以作為對(duì)學(xué)生體質(zhì)狀況的預(yù)測(cè)。

分類(lèi)器1：

給定條件X=（女，1，160，45，2 400）

給出的結(jié)果是y3即身高160 cm、體質(zhì)量45 kg、肺活量2 400 mL的大一女生，歷史數(shù)據(jù)顯示如果不加干預(yù)的話(huà)，其體質(zhì)檢測(cè)結(jié)果最可能是“不及格”。

可以將全部學(xué)生的體質(zhì)進(jìn)行分類(lèi)預(yù)測(cè)，按照分類(lèi)結(jié)果將學(xué)生分成不同的組別，對(duì)于體質(zhì)檢測(cè)結(jié)果較大可能為“不及格”的那部分同學(xué)，可以制定特別的干預(yù)計(jì)劃，加強(qiáng)體質(zhì)鍛煉。

分類(lèi)器2：

給定條件：X=（女，1，160，48，2 700，10.2）

結(jié)果為[103]，即160 cm、體質(zhì)量48 kg、肺活量2 700 mL、50 m跑成績(jī)10.2 s的大一女生800 m要跑到3 min 3 s以?xún)?nèi)，才最有可能得到“優(yōu)秀”體質(zhì)等級(jí)。如果現(xiàn)在的800 m跑不能達(dá)到這個(gè)成績(jī)，為達(dá)到“優(yōu)秀”體質(zhì)等級(jí)，就要加強(qiáng)耐力訓(xùn)練。

隨著學(xué)生各項(xiàng)測(cè)試數(shù)據(jù)的積累，在此分類(lèi)器的輔助下，可以以目標(biāo)為導(dǎo)向，即要讓學(xué)生的體質(zhì)分類(lèi)結(jié)果達(dá)到“優(yōu)秀”，應(yīng)該讓學(xué)生加強(qiáng)哪方面能力的鍛煉；進(jìn)一步，可以按學(xué)生有待加強(qiáng)的能力進(jìn)行分組，對(duì)不同組制定不同的鍛煉計(jì)劃與干預(yù)措施。

3 展望

本研究用樸素貝葉斯算法，構(gòu)建了大學(xué)生體質(zhì)分類(lèi)器，應(yīng)用該分類(lèi)器可以對(duì)每個(gè)在校學(xué)生的體質(zhì)狀態(tài)進(jìn)行預(yù)測(cè)，為個(gè)性化的運(yùn)動(dòng)指導(dǎo)與干預(yù)提供依據(jù)；也可以對(duì)學(xué)生群體進(jìn)行客觀的體質(zhì)分析，發(fā)現(xiàn)不同群體的體質(zhì)短板。檢驗(yàn)結(jié)果顯示，本分類(lèi)器能達(dá)到78%的綜合正確率，具有一定的可信度。

本研究采用了廣州商學(xué)院2年的學(xué)生數(shù)據(jù)做試驗(yàn)，當(dāng)加入越來(lái)越多的訓(xùn)練數(shù)據(jù)時(shí)，模型會(huì)變得越來(lái)越準(zhǔn)確。而全國(guó)的學(xué)生體測(cè)數(shù)據(jù)都是依照《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》，所以數(shù)據(jù)項(xiàng)與數(shù)據(jù)結(jié)構(gòu)基本一致，從而可以很容易的將其他省市高校學(xué)生體測(cè)數(shù)據(jù)納入到本分類(lèi)模型的訓(xùn)練集中。當(dāng)有了更多高校數(shù)據(jù)時(shí)，還可以按省市、按南北方等不同地域?qū)W(xué)生體質(zhì)狀況進(jìn)行橫向的對(duì)比分析等。

另外，在此體質(zhì)分類(lèi)模型給出的預(yù)測(cè)與判斷基礎(chǔ)上，學(xué)校體育部門(mén)可以有針對(duì)性地對(duì)學(xué)生進(jìn)行個(gè)性化的體育鍛煉指導(dǎo)與干預(yù)，跟進(jìn)采集下一年的體測(cè)數(shù)據(jù)，就可以對(duì)學(xué)生體質(zhì)進(jìn)行時(shí)間縱向上的體質(zhì)變化分析、運(yùn)動(dòng)干預(yù)的有效性分析等。

因?yàn)檎麄€(gè)數(shù)據(jù)預(yù)處理與分類(lèi)器訓(xùn)練過(guò)程都用Python編碼，所以擴(kuò)展數(shù)據(jù)后的訓(xùn)練集準(zhǔn)備與模型更新可由程序自動(dòng)完成。而且在樸素貝葉斯分類(lèi)下可以構(gòu)造出更多結(jié)構(gòu)相似、目的不同的分類(lèi)器，以滿(mǎn)足學(xué)校體育對(duì)學(xué)生體質(zhì)的促進(jìn)和監(jiān)督的需求。

參考文獻(xiàn)：

[1] 中共中央，國(guó)務(wù)院. 關(guān)于加強(qiáng)青少年體育增強(qiáng)青少年體質(zhì)的意見(jiàn)[EB/OL]. [2017-07-02]. www.gov.cn/jrzg/

2007-05/24/content_625090.htm.

[2] 教育部，發(fā)展改革委，財(cái)政部，等. 關(guān)于進(jìn)一步加強(qiáng)學(xué)校體育工作的若干意見(jiàn)[EB/OL]. [2017-07-02]. www.gov.cn/zwgk/2012-10/29/content_2252887.htm.endprint

[3] 教育部關(guān)于印發(fā)《國(guó)家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)（2014年修訂）》的通知[EB/OL]. [2017-07-02]. http：//www.moe.edu.cn/

s78/A17/twys_left/moe_938/moe_792/s3273/201407/t20140708_171692.html.

[4] 中共中央，國(guó)務(wù)院. “健康中國(guó)2030”規(guī)劃綱要[EB/OL]. [2017-07-02]. http：//news.xinhuanet.com/ health/

2016-10/25/c_1119786029.htm.

[5] 國(guó)家體育總局，教育部，科技部，等. 2014年國(guó)民體質(zhì)監(jiān)測(cè)公報(bào)[EB/OL]. （2015-11-25） [2017-0702]. http：//www.sport.gov.cn/n16/n1077/n1227/7328132.html.

[6] 國(guó)家體育總局，教育部，科技部，等. 2010年國(guó)民體質(zhì)監(jiān)測(cè)公報(bào)[EB/OL]. （2011-09-02） [2017-07-02]. http：//www.sport.gov.cn/n16/n1077/n297454/2052709.html.

[7] 教育部發(fā)布30年來(lái)我國(guó)學(xué)生體質(zhì)與健康“大數(shù)據(jù)”[EB/OL]. [2017-07-02]. http：//www.jyb.cn/china/gnxw/

201407/t20140729_592098.html.

[8] 國(guó)務(wù)院印發(fā)關(guān)于促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要[EB/OL].

[2017-07-02]. http：//business.sohu.com/20150906/n42046

3676.shtml.

[9] 國(guó)務(wù)院辦公廳關(guān)于促進(jìn)和規(guī)范健康醫(yī)療大數(shù)據(jù)應(yīng)用發(fā)展的指導(dǎo)意見(jiàn)[EB/OL]. [2017-07-02]. http：//www.gov.

cn/zhengce/content/2016-06/24/content_5085091.htm.

[10] 楊雷，曹翠玲，孫建國(guó)，等. 改進(jìn)的樸素貝葉斯算法在垃圾郵件過(guò)濾中的研究[J]. 通信學(xué)報(bào)，2017，38（4）：140-148.

[11] 劉秋陽(yáng)，林澤鋒，欒青青. 基于樸素貝葉斯算法的垃圾短信智能識(shí)別系統(tǒng)[J]. 電腦知識(shí)與技術(shù)：學(xué)術(shù)交流，2016，12（12）：190-192.

[12] 賈志鵬. 基于樸素貝葉斯分類(lèi)器的校園信息智能推薦算法[J]. 軟件工程，2016，19（12）：30-32.

[13] 謝小軍，陳光喜. 基于多屬性聯(lián)合的樸素貝葉斯分類(lèi)算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2016，26（12）：77-81.endprint