基于決策樹技術的CET-4成績數據挖掘研究

劉靜

（阜陽師范學院 教育科學學院，安徽 阜陽 236037）

基于決策樹技術的CET-4成績數據挖掘研究

劉靜

（阜陽師范學院 教育科學學院，安徽 阜陽 236037）

本文運用決策樹分類技術進行數據挖掘，從中發(fā)現CET-4考試四個部分對總成績的影響程度.其中由決策樹提取出分類規(guī)則，對于大學英語教學具有一定的指導意義.

數據挖掘；決策樹；ID3算法

1 引言

CET-4考試是國家教育部組織的標準化英語教學水平考試，教育管理機構把它當作檢查大學英語教學效果的一個有效尺度.每一年學校的數據庫系統(tǒng)中都存放著海量的CET-4成績信息，學校的數據庫能夠實現數據的快速錄入、查找、計算等操作，卻無法發(fā)現成績數據中隱藏的關系和規(guī)則.本文主要研究的就是如何從海量數據中發(fā)現隱藏的關系和規(guī)則，分析潛在影響學生成績的因素，從而為提高教學質量與教育管理提供依據.

2 數據挖掘決策樹技術

數據挖掘是指從大量的數據中通過算法發(fā)現隱藏于其中關系和規(guī)則的過程.數據挖掘有很多領域，分類就是非常重要的一個分支.決策樹是一種較為流行的分類技術，采用自頂向下的遞歸方式生成一個類似于流程圖的樹型結構.

3 ID3算法

1986年J·Ross Quinlan提出了著名的ID3算法.該算法就是信息增益屬性劃分，找出分裂后信息增益屬性最大的再次劃分.然后繼續(xù)同樣的過程，直到生成的決策樹能完美分類訓練樣例.

4 決策樹技術在CET-4成績分析中的應用

4.1數據獲取和數據預處理

4.1.1數據的獲取

從教務處下載了我校普通本科班2012屆學生某專業(yè)某次四級成績匯總表.

圖1　大學英語四級成績原始數據

4.1.2數據預處理

去除原有數據源EXCEL表格中的不相關字段，保留CET-4總成績、聽力成績、閱讀成績、寫作成績、綜合測試成績.使用忽略元組的方法將缺考學生的記錄刪除，共計175條.經過數據預處理后參加模型構建的樣本數共計3384條，而預處理前的樣本總數是3559條，樣本的有效率達90.8%.

將樣本數據進行離散化的處理.CET-4考試的試卷總分數為710分，將425分作為分割點，把CET-4成績字段y離散為“pass”、“nopass”兩個部分.

聽力部分滿分249分，閱讀部分滿分249分，寫作和翻譯部分滿分142分，綜合部分滿分70分.分別將聽力字段（st）、閱讀字段（sy）、寫作和翻譯字段（sx）、綜合字段（sz）的所有記錄按照 st＜=125、125＜=st＜199、st＞=199、sy＜=125、125＜=sy＜199、sy＞=199、sx＜=71、71＜=sx＜100、st＞=100、sz＜35、35＜=sz＜45、sz＞=45離散化為“C”、“B”、“A”三段.

4.2決策樹分類模型的構造

根據ID3算法構造決策樹，操作過程如下：

（1）計算決策樹分類屬性的期望信息量

經過數據預處理、離散化操作后，用于構造決策樹的記錄為3384條，其中，“pass”和“nopass”記錄分別為2015條、1359條.由公式定計算出分類屬性的期望信息量為：

（2）依次算出st、sy、sx、sz 4個屬性字段的信息量

算出st屬性字段的信息量.st值為“C”的樣本數707個，記為 (25,682)；st值為“B”的樣本數2580個，記為(1893,687)；st值為“A”的樣本數97個，記為（97,0）.

計算sy的信息量.sy值為“C”的樣本數468個，記為（7,461）；sy值為“B”的樣本數2747個，記為（1839,908）；sy值為“A”的樣本數169個，記為（169,0）.

計算sz的信息量.sz值為“C”的樣本數442個，記為（53,389）；sz值為“B”的樣本數2360個，記為（1414,946）；sz值為“A”的樣本數582個，記為（548,34）.

計算sx的信息量.sx值為“C”的樣本數645個，記為（59,586）；sx值為“B”的樣本數2333個，記為（1560,773）；sx值為“A”的樣本數406個，記為（396,10）.

（3）分別計算st、sy、sx、sz的信息熵

（4）分別計算出st、sy、sx、sz的信息增益量

比較以上4個屬性字段的信息增益量，找出信息增益量最大的st字段，把該字段當作決策樹的根節(jié)點，計算st字段的3個屬性值構造出下面的分支.

圖2　CET-4決策樹

（5）提取分類規(guī)則

研究顯示，在CET-4考試中，對CET-4分數影響最大的是聽力部分，然后是閱讀，接下來是寫作和綜合.下面從決策樹模型中，根據分類結果為“pass”或“nopass”，提取得到了學生能否能夠通過CET-4考試的分類規(guī)則.

提取出CET-4考試結果為“pass”的分類規(guī)則為：

IF“st”=“A”，THEN分類結果是“pass”；

IF“st”=“B”AND“sy”=“A”，THEN分類結果是“pass”；

IF“st”=“B”AND“sy”=“B”AND“sx”=“B”，THEN分類結果是“pass”；

IF“st”=“B”AND“sy”=“B”AND“sx”=“A”，THEN分類結果是“pass”；

IF“st”=“B”AND“sy”=“B”AND“sx”=“B”AND“sz”=“A”，THEN分類結果是“pass”；

提取出CET-4考試結果為“nopass”的規(guī)則為：

IF“st”=“C”，THEN分類結果是“nopass”；

IF“st”=“B”AND“sy”=“C”，THEN分類結果是“nopass”；

IF“st”=“B”AND“sy”=“B”AND“sx”=“B”AND“sz”=“C”，THEN分類結果是“nopass”；

IF“st”=“B”AND“sy”=“B”AND“sx”=“B”AND“sz”=“B”，THEN分類結果是“nopass”.

5 結論

由決策樹提取出來的分類規(guī)則，可以輔助指導大學生的英語學習.CET-4考試中，聽力部分對能否通過CET-4考試起到了關鍵性的作用；然后，是閱讀部分，對CET-4考試影響較大；最后，寫作部分和綜合部分對CET-4考試的影響較小.在英語學習中有些學生認為，CET-4考試中，閱讀和寫作是決定CET-4成績高低的關鍵，這種認識缺少科學依據，學生需要扭轉觀念，盡早調整自己的英語學習計劃，將聽力部分作為復習重點來強化練習.同學們在備考的過程中，可以參考決策樹模型以及分類規(guī)則的結果，找出自己英語學習中的短板，進一步強化自己的長項，制定適合自己的學習目標和學習計劃，進行針對性的復習，科學有效的提高CET-4成績.

〔1〕Jiawei Han，Micheline Kamber.數據挖掘:概念與技術[M].北京:機械工業(yè)出版社，2007.188-198.

〔2〕王永梅，胡學鋼.決策樹中ID3算法的研究[J].安徽大學學報(自然科學版)，2011(3)：35-37.

〔3〕劉紅巖，等.數據挖掘中的數據分類綜述[J].清華大學學報（自然科學版）,2002,42(6):727-730.

〔4〕陳昌川.數據挖掘在大學英語考試中的應用研究[D].重慶:重慶大學,2009.

〔5〕韓亞峰.P2P流媒體數據調度策略研究[J].河南科技學院學報(自然科學版)，2013,41（1）：86～90.

〔6〕張科星.基于云計算的數字資源系統(tǒng)設計[J].河南科技學院學報(自然科學版)，2013,41（1）：91～94.

TP391

A

1673-260X（2015）12-0018-02