王玉國 宋忠田

摘要：針對當前大學(xué)公共體育教學(xué)質(zhì)量評價中缺乏科學(xué)、有效的評價手段，導(dǎo)致教學(xué)效率低下，教學(xué)內(nèi)容枯燥的問題，需要對教育教學(xué)質(zhì)量評價指標進行數(shù)據(jù)挖掘和分析，提升體育教學(xué)課程管理質(zhì)量和效率?；跊Q策樹技術(shù)進行數(shù)據(jù)的分類，提取體育課程中的數(shù)據(jù)特征和關(guān)系，結(jié)合ID3算法，通過信息增益檢驗決策樹各級節(jié)點上數(shù)據(jù)的特征屬性，建立樹形分支，由各分支實例子集遞歸方式來建立決策樹下一級節(jié)點和分支，指導(dǎo)該子集實例被劃分為某一個類別，尋找影響大學(xué)體育課堂教學(xué)質(zhì)量因素。教學(xué)內(nèi)容在教學(xué)質(zhì)量評價中占主導(dǎo)地位，直接影響教學(xué)質(zhì)量的評價結(jié)果，采用決策樹能為體育教學(xué)課程管理提供有價值的數(shù)據(jù)支持，有效提高體育教學(xué)課程管理質(zhì)量和效率。

關(guān)鍵詞：體育教學(xué);決策樹算法;數(shù)據(jù)挖掘

中圖分類號：G641

文獻標志碼：A

AnalysisonPublicPhysicalEducationTeachingandEvaluationof

CollegeStudentsunderDecisionTreeAlgorithm

WANGYuguo，SONGZhongtian

（DepartmentofPhysicalEducationandSports，AksuVocationalandTechnicalCollege，Aksu843000，China）

Abstract：Inviewofthelackofscientificandeffectivemeansintheevaluationofpublicphysicaleducationteachingqualityincollegesanduniversities，theteachingefficiencyislowandtheteachingcontentisboring.Throughthedataminingandanalysisoftheevaluationindexofeducationandteachingquality，thedataclassificationbasedondecisiontreetechnologyiscarriedout，andthedatafeaturesandrelationsinphysicaleducationcurriculumareextracted.CombinedwithID3algorithm，thecharacteristicattributesofdataonalllevelsofthedecisiontreearetestedbyinformationgain，branchesareestablished，andthelowerlevelnodesandbranchesofthedecisiontreeareestablishedbytherecurrencemodeofeachbranchinstancesubset.Thesecanguidetodividetheinstanceofthesubsetintoacertaincategoryinordertofindtheinfluenceonthephysicaleducationcourseoftheuniversity.Theexampleshowsthatthedecisiontreecanprovidevaluabledatasupportforphysicaleducationcurriculummanagementandeffectivelyimprovethequalityandefficiencyofphysicaleducationteachingcurriculummanagement.

Keywords：physicaleducation;decisiontreealgorithm;datamining

0引言

高校公共體育實踐教學(xué)是學(xué)習(xí)體育知識和掌握技能的有效方式，能有效增強學(xué)生體質(zhì)，提高學(xué)生身體素質(zhì)。隨著高校教育體質(zhì)改革的實施，公共體育教學(xué)觀念、教學(xué)內(nèi)容和手段都在不斷發(fā)生改變[12]。因此，對高校體育課堂教學(xué)進行評價，了解影響體育課堂教學(xué)質(zhì)量影響因素，從而有針對性的進行教學(xué)改良，提升課堂教學(xué)水平，具有重要意義。數(shù)據(jù)挖掘作為當前熱門的研究領(lǐng)域，通過在大量數(shù)據(jù)中來提取未知的、潛在的、有應(yīng)用價值的信息，來為個行業(yè)的發(fā)展和決策提供重要的參考依據(jù)[3]。決策樹算法作為數(shù)據(jù)挖掘中的一個重要技術(shù)手段，融合了機器學(xué)習(xí)、數(shù)據(jù)統(tǒng)計、智能數(shù)據(jù)庫、神經(jīng)網(wǎng)絡(luò)等技術(shù)，通過算法對相關(guān)影響因素的潛在數(shù)據(jù)進行進行挖掘，為教育管理和決策提供現(xiàn)代教學(xué)評價數(shù)據(jù)庫理想模型[46]。如通過考慮各影響體育教學(xué)的因素來構(gòu)建決策樹，實現(xiàn)對影響指標的綜合評價，并有針對性性的給出提升教學(xué)質(zhì)量的解決方案[7];如基于ID3決策樹的商務(wù)英語實踐成效評價，進行考試成績的管理和分析，由此針對性的提出課程內(nèi)容改進和教學(xué)內(nèi)容評估等，有效推進教學(xué)質(zhì)量評價管理，提升教學(xué)質(zhì)量[8]。基于此，本文通過將決策樹引入大學(xué)公共體育教學(xué)評價中，對教學(xué)質(zhì)量評價指標進行有效挖掘，發(fā)現(xiàn)其中的不合理性并進行改進，實現(xiàn)教學(xué)質(zhì)量和管理水平的提升。

1決策樹技術(shù)基本原理

1.1數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是從海量數(shù)據(jù)中提取或挖掘識別有效的、新穎的、潛在的信息和知識的過程。它利用數(shù)據(jù)庫關(guān)系系統(tǒng)查詢、檢索功能，結(jié)合統(tǒng)計分析處理，得出可供決策參考的統(tǒng)計分析數(shù)據(jù)[7]。決策樹技術(shù)作為數(shù)據(jù)挖掘方法中一種常見的信息論方法，通過對數(shù)據(jù)進行分類，以達到預(yù)測的目的。

決策樹是一棵有向、無環(huán)樹，決策樹由決策節(jié)點、分支和葉子組成[9]。樹上的每一個內(nèi)部節(jié)點均表示一個測試點，樹的分支對應(yīng)一個測試輸出，樹葉節(jié)點則為一個代表類分布。在通過決策樹進行數(shù)據(jù)分類過程中，首先需要對獲得的數(shù)據(jù)訓(xùn)練集進行分析測試，根據(jù)獲得的數(shù)據(jù)類別建立待解決問題的數(shù)據(jù)分類模型，然后根據(jù)建立的決策樹對未知數(shù)據(jù)分類。作為一類貪心算法，決策樹數(shù)據(jù)挖掘是一種自頂向下的遞歸算法，有決策樹的根節(jié)點開始，根據(jù)獲得的樣本數(shù)量對集中屬性逐一測試，并通過屬性類別對數(shù)據(jù)訓(xùn)練集分類，獲得若干字訓(xùn)練集，其中每個子訓(xùn)練集作為一個非葉節(jié)點，進行遞歸循環(huán)執(zhí)行，直到滿足設(shè)定條件后，形成樹的葉子節(jié)點，終止計算[10]。在建立決策樹的過程中，由于數(shù)據(jù)集中存在噪聲的干擾[11]，因此，形成的分枝反映出訓(xùn)練集中存在的異常情況，容易造成數(shù)據(jù)的擬合過度問題，因此就需要對構(gòu)建的決策樹進行修剪，去掉存在的異常分支，保證分類結(jié)果的準確性。

對于決策樹每個節(jié)點，每個決策節(jié)點表征一個問題或決策，對應(yīng)待分類對象屬性，每一個葉子代表可能存在的分類結(jié)果。沿決策樹由上而下遍歷，通過對每個結(jié)點進行測試，將各節(jié)點上的測試輸出結(jié)果構(gòu)成不同分支，最后由某一途徑傳輸?shù)揭粋€葉子節(jié)點。在這個過程中可利用若干變量來判定所屬類別。目前用于決策樹技術(shù)的算法主要為ID3算法以及C4.5算法[12]。由于C4.5算法在缺省狀態(tài)下存在缺陷，因此本文選擇采用ID3算法進行數(shù)據(jù)的分類和預(yù)測。

1.2ID3算法流程

ID3算法作為決策樹算法中最典型的算法，通過信息增益檢驗決策樹各級節(jié)點上數(shù)據(jù)的特征屬性，選擇信息增益最大屬性作為樣本劃分測試屬性，根據(jù)屬性不同值建立分支，由各分支實例子集遞歸方式來建立決策樹下一級節(jié)點和分支，指導(dǎo)該子集實例被劃分為某一個類別。

在ID3算法中，

設(shè)S為訓(xùn)練集，s為樣本數(shù)，假設(shè)類Ci（i=1，2，…，m）存在m個不同值，其中類Ci的樣本數(shù)為si。對于一個給定樣本分類所要求的期望信息為：

I（s1，s2，…，sm）=-（p1log2（p1）+（p2log2（p2）+

…+（pmlog2（pm））

上式中：pi=si/s為樣本屬于Ci的概率。

設(shè)屬性A中存在v個不同值{a1，a2，…，av}，對S訓(xùn)練集，利用屬性A將其劃分為v個子集

{S1，S2，…，Sv}，其中Sj的樣本在A中存在相同值aj。若選擇A作為測試屬性，則分類子集包括S節(jié)點中形成的多個分枝。設(shè)sij為Sj中類Ci樣本數(shù)。將A劃分的子集期望信息熵為：

E（A）=∑vi=1sij+…+smjSI（sij，…，smj）

其中sij+…+smjS作為第j個權(quán)值，則獲得A屬性上分支的編碼信息為：

Gain（A）=I（s1，s2，…sm）-E（A）

算法中選擇最高信息增益的屬性給定S測試屬性，根據(jù)測試屬性創(chuàng)建節(jié)點并進行屬性標記，并由屬性只構(gòu)建分枝進行樣本劃分[13]。

1.3樹的修剪

在決策樹創(chuàng)建過程中，由于訓(xùn)練集中噪聲的存在，在訓(xùn)練數(shù)據(jù)中存在異常現(xiàn)象的分支，為生成一棵易于理解的決策樹，就需要對包好噪聲分支的決策樹進行修剪，解決一些分支過分適應(yīng)的問題[14]。目前比較常見的剪枝方式主要分為先剪枝和后剪制技術(shù)[15]。先剪枝方式是在建立決策樹過程中，對于存在異常的分支，直接停止建立子節(jié)點，從而不形成異常分支。后剪枝方式則是在建立決策樹后，根據(jù)建樹條件，去掉其中存在的部分異常分支，并利用葉節(jié)點重新建立新的決策樹。

本文中根據(jù)體育教學(xué)評價數(shù)據(jù)分類特性，采用基于最小錯誤原則的后剪枝法，即在完全生成決策樹后，將多余部分的分支剪掉，并利用葉節(jié)點獲得新的決策樹[16]。因此，通過建立決策樹對任意實例進行判定，挖掘過程如圖1所示。

通過決策樹算法對信息增益特征屬性進行檢驗，獲得增益最大值形成決策樹節(jié)點，保證決策樹結(jié)點最小的前提下具備最高的例子識別準確率。根據(jù)特征取值不同構(gòu)建分支，對分支實例子集進行遞歸處理，建立決策樹結(jié)點和分支，直到某一子集中的所有例子均為相同子集。

2決策樹算法應(yīng)用

2.1數(shù)據(jù)采集

以某體育大學(xué)在校師生為對象，分別在學(xué)期末進行問卷調(diào)查，針對影響體育教學(xué)質(zhì)量因素分析。體育教學(xué)評價是解釋體育教學(xué)的價值，因此，選定的評價指標應(yīng)力求反映體育課堂教學(xué)狀態(tài)和效果。由于教學(xué)質(zhì)量是教學(xué)過程的中心環(huán)節(jié)，因此以課堂教學(xué)為例，進行決策樹分析，將教學(xué)質(zhì)量評價指標按照教學(xué)內(nèi)容、教學(xué)手段、教學(xué)效果和教學(xué)態(tài)度等分為五個項目。假設(shè)K1：教學(xué)態(tài)度;K2：教學(xué)內(nèi)容;K3：教學(xué)方式;K4：教學(xué)效果;K5：教學(xué)結(jié)果五個訓(xùn)練樣本數(shù)據(jù)，組織體育學(xué)院6位一線體育教師和4位碩士導(dǎo)師共10人進行任課教學(xué)效果評價。將評價等級分為5級，分別為：A：優(yōu)秀（90100）;B：良好（8090）;C：中等（7080）;D：合格（6070）;E：不合格（<60）;獲得10個教師的教學(xué)質(zhì)量評價如表1所示。

通過表1所示的評價結(jié)果，利用ID3算法構(gòu)成決策樹，部分程序代碼如下：

Print（‘Starttrainning）

Tree=train（train_features，train_labels，list（range（feature_len）））

Time_3=time.time（）

Print（‘trainingcost%fsecond%（time_3—time_2））

Print（‘Startpredicting）

Tets_predict=predicting（test_features，tree）time_4=time.time（）

Print（‘predictingcost%fsecond%（time_4—time_3））

根據(jù)表1中獲得的教師教學(xué)質(zhì)量評價結(jié)果和建立的決策樹，確定樣本期望信息熵為：

I（S）=-110log2110-

610log2610-

310log2310=1.25775996

對于教學(xué)態(tài)度K1，存在有Values（K1）=（A，B，C），SA={6，8}，SA=2，

SB={1，2，3，5，9，10}，SB=6，SC={4，7}，SC=2，計算獲得教學(xué)態(tài)度K1

條件期望信息為：

E（SA）=-12log212-

12log212=1.0;

E（SB）=-16log216-

56log256=0.64336;

E（Sc）=-12log212-

12log212=1.0，可得到：

E（K1）=210E（SA）+610E（SB）+210E（SC）=0.757845

確定K1信息增熵為：Gain（K1）=I（S）-E（K1）=0.5034435同理可得到其他屬性的信息熵分別為：

Gain（K2）=I（S）-E（K2）=0.6067457;Gain（K3）=0.4765867;

Gain（K4）=0.4315636。

比較樣本的信息熵有：Gain（K2）>Gain（K1）>Gain（K3）>Gain（K4）?？梢钥闯?，樣本中教學(xué)內(nèi)容K2屬性信息增益具有做大值，因此選擇教學(xué)內(nèi)容K2作為根節(jié)點測試屬性，在每個值根節(jié)點創(chuàng)建分支，并基于ID3從根節(jié)點進行進一步細分。若根節(jié)點到當前節(jié)點路徑包含了所有樣本的全部屬性，或?qū)儆谕挥?xùn)練樣本層，則算法完成，根據(jù)教學(xué)內(nèi)容K2測試屬性建立的決策樹形圖，如圖2所示。

2.2決策結(jié)果

根據(jù)建立的決策樹可以看出，從決策樹根部到葉的每一個路徑對應(yīng)一組屬性測試的合取，整個決策樹表示合取的析取。從決策樹中提取表征描述決策樹的知識，并采用ifthen語句作為分類規(guī)則，其中每一條根節(jié)點至葉節(jié)點的路徑均對應(yīng)著一個唯一的決策規(guī)則，根據(jù)建立的決策樹型，獲得決策樹結(jié)果的部分代碼，如圖3所示。

確定知識的表述形式為：

if（K2=A），thenK5=優(yōu)秀;

if（K2=B），thenK5=良好;

if（K2=C∧K1=C），thenK5=中等;

if（K2=C∧K1=B∧K3=B），thenK5=良好;

if（K2=C∧K1=B∧K3=C），thenK5=中等;

根據(jù)分析可知，教學(xué)內(nèi)容K2在教師教學(xué)中占主導(dǎo)地位，若教學(xué)內(nèi)容為優(yōu)秀時，獲得的教學(xué)質(zhì)量評價為優(yōu)秀，若教學(xué)內(nèi)容為良好時，則教學(xué)質(zhì)量評價結(jié)果為良好因此對教學(xué)質(zhì)量的評價中，教學(xué)內(nèi)容作為主要的考慮因素，同時兼顧教學(xué)方式、教學(xué)態(tài)度等其他樣本。當教學(xué)內(nèi)容為中等，而教學(xué)態(tài)度為中等時，獲得的教學(xué)質(zhì)量評價結(jié)果為中等;當教學(xué)內(nèi)容為中等，而教學(xué)態(tài)度良好，教學(xué)方式為良好或中等時，得到的教學(xué)質(zhì)量評價結(jié)果為中等。

3總結(jié)

大學(xué)公共體育教學(xué)質(zhì)量評價是提升課堂教學(xué)質(zhì)量的有效方式。決策樹技術(shù)應(yīng)用于教學(xué)質(zhì)量的評價，通過對調(diào)查數(shù)據(jù)的挖掘分析，進行數(shù)據(jù)的分類，提取體育課程中的數(shù)據(jù)特征和關(guān)系，并結(jié)合ID3算法，通過信息增益檢驗決策樹各級節(jié)點上數(shù)據(jù)的特征屬性，選擇信息增益最大屬性作為樣本劃分測試屬性，根據(jù)屬性不同值建立分支，由各分支實例子集遞歸方式來建立決策樹下一級節(jié)點和分支，指導(dǎo)該子集實例被劃分為某一個類別，尋找影響大學(xué)體育課堂教學(xué)質(zhì)量因素，為體育教學(xué)課程管理提供有價值的數(shù)據(jù)支持，提高體育教學(xué)課程管理質(zhì)量和效率。

參考文獻

[1]武善鋒，陸霞.基于決策樹算法的體育課程分析與管理系統(tǒng)設(shè)計[J].現(xiàn)代電子技術(shù)，2019，42（3）：131133.

[2]郭鵬，蔡騁.基于聚類和關(guān)聯(lián)算法的學(xué)生成績挖掘與分析[J].計算機工程與應(yīng)用，2019，55（17）：169179.

[3]張樹滑.基于ID3算法的大學(xué)生成績數(shù)據(jù)挖掘與體能分析系統(tǒng)設(shè)計[J].現(xiàn)代電子技術(shù)，2019，42（5）：104106.

[4]林秀科，沈良忠.基于決策樹的學(xué)生成績對畢業(yè)影響分析[J].電腦知識與技術(shù)，2017，13（35）：1516.

[5]張馨嬌.基于數(shù)據(jù)挖掘技術(shù)的學(xué)生體育成績管理系統(tǒng)的設(shè)計[J].自動化與儀器儀表，2017（10）：223224.

[6]吳剡青，韓佳宏，金淵濤，等.基于大數(shù)據(jù)挖掘的警校大學(xué)生公務(wù)員成功考取預(yù)測模型研究——以中央司法警官學(xué)院為例[J].電腦知識與技術(shù)，2017，13（12）：194195.

[7]吳元慶.基于數(shù)據(jù)挖掘的體育教學(xué)信息系統(tǒng)的研究與設(shè)計[J].自動化與儀器儀表，2017（3）：7778.

[8]孫莉.基于C4.5算法的大學(xué)陽光體育系統(tǒng)設(shè)計與實現(xiàn)[J].自動化技術(shù)與應(yīng)用，2019，38（7）：2832.

[9]祝莉妮.基于數(shù)據(jù)挖掘的體育成績管理與體能分析研究[J].數(shù)字技術(shù)與應(yīng)用，2017（3）：83.

[10]戴紅，王忠，宋大維，等.大數(shù)據(jù)視角下的高校體育教學(xué)研究[J].中國學(xué)校體育（高等教育），2016，3（7）：3539.

[11]吳元慶.基于數(shù)據(jù)挖掘的體育教學(xué)信息系統(tǒng)的研究與設(shè)計[J].自動化與儀器儀表，2017（3）：7778.

[12]李壽邦.基于分類規(guī)則的大學(xué)生體質(zhì)測試數(shù)據(jù)挖掘的應(yīng)用研究——以西安石油大學(xué)三年級學(xué)生為例[J].西安石油大學(xué)學(xué)報（自然科學(xué)版），2018，33（5）：120126.

[13]羅嗣卿，王佳玉，李冰珂.改進的組合優(yōu)化決策樹謠言判別方法研究[J].計算機仿真，2018，35（2）：219223.

[14]夏莉莉，趙華碩，徐渭，等.決策樹和回歸技術(shù)在超重危險因素分析中的應(yīng)用[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2018，45（9）：15491552.

[15]王杰.基于資源庫的運動技戰(zhàn)術(shù)訓(xùn)學(xué)研平臺構(gòu)建[J].上海體育學(xué)院學(xué)報，2018，42（3）：7478.

[16]方歡，方賢文，郭娟，等.案例驅(qū)動下的分類與預(yù)測課程教學(xué)方法研究[J].長春師范大學(xué)學(xué)報，2018，37（8）：6772.

（收稿日期：2020.01.24）