基于ID3算法的高校班主任工作評估模型

[摘 要] 高校教務管理數據庫中儲存了海量的數據，如何有效地從這些數據中挖掘潛在的信息，公正、客觀地評估高校班主任能力便顯得十分重要。將數據挖掘技術應用于高校班主任工作評估中，選取某高校班主任工作數據，采用ID3算法對數據進行分類和提取，構建了高校班主任評估決策樹。研究結果可為教學管理部門提供科學合理的決策支持，更好地指導日常教學和管理工作。

[關 鍵 詞] ID3算法；數據挖掘；高校班主任工作評估；決策樹

[中圖分類號] G647 [文獻標志碼] A [文章編號] 2096-0603（2016）01-0149-03

班主任工作評估是學校教學管理的重要環節，是評價班主任工作的主要手段。學校在每學期都會對班主任工作進行評價調查，在此過程中，高校教務管理數據庫中儲存了海量的數據，如何有效地從這些數據中挖掘潛在的信息，公正、客觀地評估高校班主任能力，并作出相應決策便顯得十分重要。數據挖掘技術作為解決該問題的強有力工具，受到人們的高度關注。目前，廣泛應用于各個行業中，隨著數據挖掘技術的成熟和應用領域的不斷擴展，將數據挖掘技術應用于高校的班主任工作評估中，對于提高學校教學管理水平將起到很好的指導作用。

本文將決策樹算法運用到高校班主任工作評估問題中，對某高校班主任評估數據進行分析，采用ID3算法計算不同屬性的信息增益，生成高校班主任評估決策樹，進而對班主任工作信息進行數據挖掘，評估班主任工作成績，揭示影響班主任工作成績各個因素間的關系，為教學管理部門提供決策支持，指導日常教學與管理工作，從而提高整個學校的教學管理水平。

一、ID3算法

1986年Quinlan提出了著名的基于信息熵的決策樹分類算法——ID3算法，該算法的核心是在決策樹中各級結點上選擇屬性，用最高信息增益作為結點的測試屬性，使得在每一個非葉子結點進行測試時，能獲得關于被測試樣本集最大的類別信息，使用該屬性將樣本集分成子集后，系統的熵值最小。期望該非葉子結點到達各后代葉結點的平均路徑最短，使生成的決策樹平均深度較小，從而提高分類速度和準確率。

ID3決策樹算法是一種自頂向下的貪心算法，從根結點開始，依次讓信息增益最高的屬性作為分裂屬性，將數據樣本劃分為不同的樣本子集，每個樣本子集構成一個子結點，再對每個子結點進行劃分，生成新的子結點，按上述過程一直循環，直到可以將樣本準確分類或已經選擇完所有的屬性，最終生成的決策樹每個葉結點都對應一個分類。

ID3算法原理如下：

設S是s個數據樣本的集合。假定類標號屬性具有m個不同值，定義m個不同類Ci（i=1，……，m）。設si是類Ci中的樣本數。對一個給定的樣本分類所需的期望信息由下式給出：

二、ID3算法在高校班主任工作評估中的應用

（一）數據預處理

我們在進行挖掘之前必須對數據進行整理和歸納，列出不同類型影響因素，為數據挖掘做好充分準備。對高校班主任工作成績評估進行分析時需要考慮“班主任總結成績”“學生測評成績”“參加例會成績”“開展班會成績”及“發表論文成績”等屬性對總成績的影響，高校班主任工作評估屬性如表1所示。除了“發表論文成績”屬性，將班主任屬性成績的所有值按80分以上、70～80分、0～70分劃分成“A”“B”“C”3類，總評成績按85分以上、70～85分、60～70分、0～60分劃分為“優”“良”“中”“差”4類。選擇某高校26名班主任工作評估的實例作為具體樣本，具體情況如表2所示。

（二）2ID3算法建立決策樹

1.計算信息增益

對所有屬性進行信息增益計算，先計算該樣本屬性的期望信息（信息熵）。

分析表中數據可知，26名班主任工作評估成績為優、良、中、差的人數分別為8，6，5，7人。根據公式（1）則有：

由公式（4）計算屬性“班主任總結成績”上分枝將獲得的信息增益是：

Gain（班主任總結成績）=INFO（S）-E（班主任總結成績）=0.878995

（2）學生測評成績

學生測評成績為“A”，“B”，“C”的人數分別為7，8，11人，相應信息熵的計算方法與上文一致：

INFO（A）=0

INFO（B）=1.0613

INFO（C）=0.9457

E（學習測評成績）=0.7267

Gain（學生）=INFO（S）-E（學生測評成績）=1.2518

（3）參加例會情況

參加例會情況成績為“A”，“B”，“C”的人數分別為8，8，10人，相應信息熵的計算如下：

INFO（A）=1.4056

INFO（B）=1.9056

INFO（C）=1.7610

E（參加例會成績）=1.6961

Gain（例會）=INFO（S）-E（參加例會成績）=0.2824

（4）開展班會情況

開展班會情況成績為“A”，“B”，“C”的人數分別為4，9，13人，相應信息熵的計算如下：

INFO（A）=0

INFO（B）=1.3921

INFO（C）=1.4196

E（開展班會成績）=1.1917

Gain（班會）=INFO（S）-E（開展班會成績）=0.7868

（5）發表論文情況

發表論文情況成績為“A”，“B”，“C”的人數分別為9，15，2人，相應信息熵的計算如下：

INFO（A）=1.8366

INFO（B）=1.9219

INFO（C）=1

E（發表論文成績）=1.8215

Gain（論文）=INFO（S）-E（發表論文成績）=0.1570

2.決策樹構建及分析

根據以上計算得出Gain（學生測評成績）最大，按照信息最大的原則，選擇學生測評成績為根節點建立決策樹，然后對每一顆子樹按照以上方法進行遞歸計算，最終就可得到由ID3算法構造出高校班主任工作評估的決策樹如下圖所示：

根據圖1的決策樹，高校班主任可以利用它作為平時工作的參考，例如，班里學生的測評成績是和班主任的工作評估直接掛鉤的，因此，想要成為一個優秀的班主任，學生測評成績最為重要；另一方面，如果一個班主任的學生測評成績是“A”，那么他的“開展班會成績”“參加例會成績”等屬性也不會差，最終其班主任評估成績為“優”。同時學校方面也可以利用這些隱藏的信息為教學管理部門提供決策，指導日常的教學及管理工作。

三、結論

在目前的數據挖掘研究領域中，決策樹算法仍然是應用最為廣泛的一種分類模型，相比其他的方法具有計算速度快、分類準確率高等優點。ID3算法是決策樹算法的一種典型算法，把ID3算法應用于高校班主任工作評估中，可以全面分析各個因素之間的內在聯系，挖掘更多隱藏的信息，從而給予公平、公正、客觀的評價標準。學校則可以利用這些隱藏的信息發現有用的價值，為教學管理部門提供決策支持，指導日常教學與管理工作，以嶄新的理念、科學的方法引導高校發展，從而提高整個學校的教學管理水平。

參考文獻：

[1]袁燕.決策樹算法在高校教學評價系統中的應用[J].浙江海洋學院學報：自然科學版，2006，25（4）：440-444.

[2]桂維魁，陳濤，柳洋.基于ID3算法的考試成績分析決策樹的構造[J].天津城市建設學院學報，2008，14（2）：139-141.

[3]李霞.ID3分類算法在銀行客戶流失中的應用研究[J].計算機技術與發展，2009，19（3）：158-160.

[4]吳珊，趙敏君，黃雅婷，等.ID3決策樹在報考中的應用研究[J].電腦知識與技術，2013，9（30）：6705-6709.