(許昌學(xué)院 信息化管理中心，河南 許昌 461000)

近年來(lái)，隨著高校信息化程度的不斷提升，校園一卡通系統(tǒng)發(fā)展迅速.一卡通系統(tǒng)可以為師生提供了很大的便利，可以方便他們進(jìn)行購(gòu)物，簽到等等，這些行為都會(huì)產(chǎn)生大量的相關(guān)數(shù)據(jù).用機(jī)器學(xué)習(xí)算法在數(shù)據(jù)中發(fā)現(xiàn)隱藏的關(guān)聯(lián)性，可以對(duì)學(xué)校的管理工作提供一定的參考和幫助.在國(guó)內(nèi)已經(jīng)有很多高校開始了對(duì)相關(guān)數(shù)據(jù)的研究分析.王德才[1]等人利用SVM和Apriori關(guān)聯(lián)規(guī)則算法分析學(xué)生校園一卡通消費(fèi)行為數(shù)據(jù)；羅擁軍[2]等人采用基于FP-Growth算法尋找學(xué)生的貧困程度與一卡通數(shù)據(jù)之間關(guān)聯(lián)關(guān)系的依據(jù)；徐劍[3]等人利用決策樹算法對(duì)一卡通的消費(fèi)數(shù)據(jù)進(jìn)行了聚類分析，并用關(guān)聯(lián)規(guī)則算法分析了學(xué)生的消費(fèi)數(shù)據(jù)與學(xué)生成績(jī)之間的關(guān)聯(lián)關(guān)系；黎旭[4]等人使用決策樹為依據(jù)對(duì)消費(fèi)行為的因素進(jìn)行了建模和實(shí)現(xiàn).

本文研究的是學(xué)生消費(fèi)數(shù)據(jù)與學(xué)生成績(jī)之間是否具有隱藏的關(guān)聯(lián)性.首先對(duì)學(xué)生的消費(fèi)成績(jī)進(jìn)行規(guī)范化的處理，之后采用機(jī)器學(xué)習(xí)的算法對(duì)數(shù)據(jù)進(jìn)行處理建模，根據(jù)模型和歷史數(shù)據(jù)對(duì)學(xué)生的成績(jī)進(jìn)行預(yù)測(cè)，并和真實(shí)數(shù)據(jù)進(jìn)行對(duì)比.

1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

一般而言，在數(shù)據(jù)中心存的數(shù)據(jù)都是沒(méi)有處理過(guò)的原始數(shù)據(jù)，可能會(huì)有各種各樣的問(wèn)題，例如數(shù)據(jù)缺失，數(shù)據(jù)冗余等等造成對(duì)數(shù)據(jù)質(zhì)量的影響.而數(shù)據(jù)質(zhì)量又是會(huì)直接影響到模型訓(xùn)練結(jié)果的關(guān)鍵因素.所以需要對(duì)原始數(shù)據(jù)進(jìn)行處理.另一方面，隨著支付寶等移動(dòng)支付的興起，越來(lái)越多的學(xué)生開始使用手機(jī)進(jìn)行支付，這也導(dǎo)致了數(shù)據(jù)的缺失，這一問(wèn)題可以從其他的維度想辦法考慮解決.

機(jī)器學(xué)習(xí)需要一個(gè)訓(xùn)練集和一個(gè)測(cè)試集，訓(xùn)練集用來(lái)訓(xùn)練模型，測(cè)試集用來(lái)測(cè)試模型預(yù)測(cè)結(jié)果.把消費(fèi)數(shù)據(jù)和成績(jī)化分為訓(xùn)練集和測(cè)試集，以此來(lái)構(gòu)建模型.首先來(lái)看原始數(shù)據(jù).消費(fèi)數(shù)據(jù)如表1所示，這一條數(shù)據(jù)包含某個(gè)卡號(hào)(ECARDNO)在某一天(OPDATE)消費(fèi)了什么(CONPTYPE)，吃飯的話吃的是哪一餐(DINTYPE)和消費(fèi)數(shù)額(TOTALACCOUNT).成績(jī)數(shù)據(jù)如表2所示，每條數(shù)據(jù)包含學(xué)號(hào)(XH)，科目名稱(KCMC)，課程類別(KCXZ)和考試成績(jī)(QMCJ).

由于原始數(shù)據(jù)提供的信息有限，所以這里的想法是先對(duì)消費(fèi)數(shù)據(jù)進(jìn)行處理.按照機(jī)器學(xué)習(xí)的一般思路是將數(shù)據(jù)整理成一個(gè)學(xué)生一條數(shù)據(jù)，后面的字段則是某一時(shí)間段的消費(fèi)信息，按照早中午飯分開計(jì)算平均消費(fèi)和總消費(fèi)，此外還要區(qū)分周末和平時(shí)的情況.這些年由于外賣的發(fā)展，所以肯定會(huì)造成有很多人出現(xiàn)沒(méi)有消費(fèi)的情況，如果貿(mào)然使用這些數(shù)據(jù)可能會(huì)對(duì)預(yù)測(cè)的結(jié)果產(chǎn)生影響，所以這里會(huì)把沒(méi)有消費(fèi)也當(dāng)做一種類型來(lái)計(jì)算，如此生成訓(xùn)練集數(shù)據(jù).如表3所示.這里篇幅有限只列出了早上時(shí)段的所有數(shù)據(jù).

表1 消費(fèi)數(shù)據(jù)表單

表2 成績(jī)數(shù)據(jù)表單

表3 處理后樣本數(shù)據(jù)

處理完數(shù)據(jù)之后，如圖1所示.首先看norm平時(shí)的數(shù)據(jù)，無(wú)論是總值count還是均值mean都有很多的數(shù)值為0.這有兩種可能，一是學(xué)生沒(méi)有去吃早飯，二是叫了外賣或者之前買的其他東西.這部分由于無(wú)法做交叉對(duì)比，所以不能確定是哪一種.但是可以將數(shù)值為0也當(dāng)做一種類型，可以認(rèn)為這個(gè)學(xué)生比較懶/沒(méi)時(shí)間，使用支付寶等等.Miss表示的是沒(méi)有吃早飯的次數(shù)，原因和上面一樣.Weekend周末的數(shù)據(jù)則有更多為0的數(shù)據(jù)，這也是符合學(xué)生周末出去吃飯的習(xí)慣的.這部分處理后的數(shù)據(jù)當(dāng)做訓(xùn)練集數(shù)據(jù).

圖1 部分樣本數(shù)據(jù)分布圖

然后處理測(cè)試集數(shù)據(jù)，如表2，不同的學(xué)生可能有不同的課程和課程數(shù)量，所以需要一個(gè)統(tǒng)一的度量指標(biāo)來(lái)衡量不同學(xué)生的差異.選用平均成績(jī)和掛科率這兩項(xiàng)可以比較好的對(duì)不同的學(xué)生進(jìn)行比較.圖2中標(biāo)有(origin)表示的是原始平均分和掛科率，如圖2可以看出平均分是一個(gè)長(zhǎng)尾分布，一般來(lái)說(shuō)長(zhǎng)尾分布的數(shù)據(jù)是沒(méi)有意義的異常數(shù)據(jù)，結(jié)合掛科率的圖表來(lái)看，可以將這些數(shù)據(jù)去掉.圖2標(biāo)有(processed)是處理過(guò)之后的數(shù)據(jù)，如圖可以看出平均分基本符合正太分布，掛科率則呈現(xiàn)了一個(gè)下降的趨勢(shì).需要注意的是這里掛科率的橫軸是科目的數(shù)量.

圖2 成績(jī)數(shù)據(jù)分布表

2 數(shù)據(jù)建模

本文是要研究學(xué)生消費(fèi)數(shù)據(jù)與成績(jī)之間的潛在關(guān)聯(lián)性.所以以學(xué)生的掛科率和平均分這兩項(xiàng)作為研究對(duì)象.使用回歸和分類的算法，對(duì)數(shù)據(jù)處理建模來(lái)分析不同特征的重要性.回歸可以直接預(yù)測(cè)數(shù)值目標(biāo)，而分類只能預(yù)測(cè)不同的類別，所以使用分類算法時(shí)候需要將數(shù)據(jù)處理一下，改成類別數(shù)據(jù)[5].將0～10%作為1類，10%～20%作為2類，以此類推最后90%～100%作為10類，這樣將預(yù)測(cè)問(wèn)題轉(zhuǎn)換成一個(gè)多分類的問(wèn)題.這里會(huì)出現(xiàn)精度的損失，如果需求更高的精度可以用 5個(gè)百分點(diǎn)作為一個(gè)類別來(lái)分類.

本文主要使用線性回歸(LinearRegression)來(lái)預(yù)測(cè)和隨機(jī)森林(RandomForest)來(lái)進(jìn)行分類.下面簡(jiǎn)單介紹一下這兩種算法.

實(shí)驗(yàn)使用python的sklearn工具進(jìn)行模型的訓(xùn)練和測(cè)試.使用前面說(shuō)過(guò)使用平均成績(jī)和掛科率來(lái)對(duì)作為預(yù)測(cè)的結(jié)果.然后將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集.

首先使用線性回歸來(lái)訓(xùn)練模型.將樣本數(shù)據(jù)和成績(jī)數(shù)據(jù)合在一起，按照75%來(lái)劃分訓(xùn)練集，剩下的是測(cè)試集.之后調(diào)用sklearn的線性回歸模型來(lái)進(jìn)行訓(xùn)練，之后進(jìn)行預(yù)測(cè).線性回歸模型一般使用RMSE來(lái)評(píng)價(jià)預(yù)測(cè)結(jié)果的好壞.

它的值越小表示預(yù)策的精度越高，所以一般用它來(lái)衡量線性回歸預(yù)測(cè)結(jié)果.表4是線性回歸的RMSE得分.圖3是真實(shí)值和預(yù)測(cè)值的圖，實(shí)線是預(yù)測(cè)值，虛線是真實(shí)值.

表4 預(yù)測(cè)結(jié)果評(píng)估結(jié)果

圖3 線性回歸預(yù)測(cè)結(jié)果圖

然后使用隨機(jī)森林訓(xùn)練模型.由于隨機(jī)森林是一個(gè)分類的算法，所以需要把預(yù)測(cè)結(jié)果改成類別型數(shù)據(jù).上面說(shuō)過(guò)這里不再闡述.同樣將樣本數(shù)據(jù)和改成類別型數(shù)據(jù)的成績(jī)數(shù)據(jù)合在一起，按照75%來(lái)劃分訓(xùn)練集和測(cè)試集.然后使用隨機(jī)森林模型訓(xùn)練，之后進(jìn)行預(yù)測(cè).分類模型一般會(huì)使用召回率(Recall)和精準(zhǔn)率(Precision)來(lái)檢驗(yàn)預(yù)測(cè)效果的好壞[5].

綜合來(lái)看對(duì)于掛科率的預(yù)測(cè)使用線性回歸的效果較好，RMSE有0.771 5左右，而平均分效果略差一些.如果改為類別型數(shù)據(jù)，則只有平均分的效果較好，召回率和精準(zhǔn)度均在70%左右，而掛科率的效果則不好.

3 結(jié)語(yǔ)

本文研究了學(xué)生消費(fèi)行為和成績(jī)之間的關(guān)系，并嘗試使用了線性回歸和隨機(jī)森林算法對(duì)學(xué)生的成績(jī)進(jìn)行預(yù)測(cè).效果不錯(cuò)，預(yù)測(cè)的評(píng)估結(jié)果均在可以接受的范圍之內(nèi).研究只限于消費(fèi)行為，如果有其他合適的數(shù)據(jù)例如學(xué)生出入，或者是上課簽到數(shù)據(jù)等，那么相信效果會(huì)進(jìn)一步提升.