大數(shù)據(jù)背景下基于隨機(jī)森林算法的高校學(xué)生成績預(yù)警研究

余 弦，周誼芬

（1.南通大學(xué)杏林學(xué)院，江蘇南通 226000；2.南通大學(xué)，江蘇南通 226000）

0 引言

當(dāng)今世界，大數(shù)據(jù)正在給各行各業(yè)帶來深遠(yuǎn)的變革，它改變了人們的生活、工作方式，對社會的進(jìn)步和變革起到了巨大的推動作用。大數(shù)據(jù)具有數(shù)據(jù)量大、類型繁多、價值密度低、速度快、時效高等的特點［1］，大數(shù)據(jù)時代對人們現(xiàn)有的數(shù)據(jù)駕馭能力提出了新的挑戰(zhàn)，也為人們獲得更為深刻、全面的洞察能力提供了前所未有的空間與潛力。如何將大數(shù)據(jù)應(yīng)用落到實處，充分利用大數(shù)據(jù)來分析和處理行業(yè)中的問題，成為當(dāng)前研究的重點。

高等教育行業(yè)在大數(shù)據(jù)應(yīng)用與研究方面也面臨新的機(jī)遇和挑戰(zhàn)。隨著我國高等教育在信息化時代的不斷發(fā)展，高校在教學(xué)、管理中使用信息化系統(tǒng)的程度在逐漸加深［2］，特別是此次新冠肺炎疫情下，大部分高校在疫情期間都推廣使用了遠(yuǎn)程教學(xué)、線上考試等平臺，這些信息化的教學(xué)過程積累了海量的教務(wù)管理和教學(xué)過程數(shù)據(jù)。但是，這些教務(wù)管理和教學(xué)過程中的海量數(shù)據(jù)很多都處于無人問津的狀態(tài)，沒有得到有效的利用，而且隨著時間的推移，很多前期的數(shù)據(jù)會被直接刪除，造成巨大的信息資源浪費(fèi)［3］。因此，如何充分利用這些沉睡中的大量數(shù)據(jù)，挖掘數(shù)據(jù)信息中的潛在價值，進(jìn)一步加深教學(xué)管理人員和任課教師對教學(xué)運(yùn)行過程的認(rèn)識，從而做出更科學(xué)的教學(xué)決策，是大數(shù)據(jù)時代高等教育工作者必須思考的問題。

1 高校學(xué)生成績預(yù)警現(xiàn)狀

高校教學(xué)運(yùn)行過程所產(chǎn)生的大量數(shù)據(jù)的一個重要組成部分就是學(xué)生成績數(shù)據(jù)，課程成績不僅反映了學(xué)生的學(xué)習(xí)效果，為學(xué)生選擇研究方向、工作方向提供參考，也是高校教學(xué)質(zhì)量管理的一個重要指標(biāo)，對高校深化教學(xué)評價、改革教學(xué)管理具有重要指導(dǎo)意義［4］。如何有效利用學(xué)生成績數(shù)據(jù)，將其更科學(xué)地應(yīng)用于成績預(yù)警等方面，進(jìn)而提升教學(xué)管理能力和管理水平，一直是高校教學(xué)管理人員的一個努力方向。

雖然目前很多高校的成績預(yù)警在一定程度上利用了學(xué)生的既往成績數(shù)據(jù)，但還是存在很大的改進(jìn)空間，主要表現(xiàn)在以下兩方面。

一是時效的滯后性。很多高校預(yù)警機(jī)制是在某一學(xué)期學(xué)生的成績?nèi)砍鰜碇?，通過教務(wù)系統(tǒng)匯總學(xué)生的不及格課程，統(tǒng)計學(xué)生未取得的學(xué)分，再通過這些統(tǒng)計結(jié)果，把不及課程達(dá)到一定門數(shù)或者所欠學(xué)分達(dá)到某一數(shù)值的學(xué)生納入成績預(yù)警名單，再根據(jù)這一名單來通知輔導(dǎo)員或者家長，對其后續(xù)學(xué)業(yè)進(jìn)行關(guān)注和干預(yù)。由此看出，這種預(yù)警方法是當(dāng)學(xué)生因?qū)W習(xí)困難或其他原因已經(jīng)產(chǎn)生一定程度的不良學(xué)習(xí)后果之后，才對學(xué)生進(jìn)行預(yù)警，在時間上具有滯后性［5］，不能在學(xué)生學(xué)習(xí)困難的初期及時介入，預(yù)警效果有限。

二是方法的局限性，傳統(tǒng)的成績預(yù)警方法都是通過類似于EXCEL里的分類匯總來實現(xiàn)，這種方法只是對大量的學(xué)生成績數(shù)據(jù)進(jìn)行粗淺的總結(jié)，沒有深入分析這些數(shù)據(jù)之間可能存在的關(guān)系，缺乏前瞻性的指導(dǎo)思想，在大數(shù)據(jù)時代的背景下，這種預(yù)警方法的缺陷顯得更加突出。

根據(jù)以上分析，本文基于隨機(jī)森林算法對大數(shù)據(jù)背景下的高校成績預(yù)警模型進(jìn)行研究和構(gòu)建。該模型首先分析課程之間的關(guān)聯(lián)程度，以教務(wù)系統(tǒng)中歷年的大量成績數(shù)據(jù)為基礎(chǔ)，利用隨機(jī)森林算法，實現(xiàn)對學(xué)生關(guān)聯(lián)課程的未來成績可能性預(yù)測，根據(jù)預(yù)測結(jié)果對可能不及格的學(xué)生進(jìn)行提早干預(yù)和介入，從源頭上減少不良學(xué)業(yè)情況，為教學(xué)管理提供有效的決策支持，提高整體教學(xué)質(zhì)量。

2 隨機(jī)森林算法的原理及實現(xiàn)過程

隨機(jī)森林是集成學(xué)習(xí)是的一個子類，通過建立幾個模型組合來解決單一預(yù)測問題。它的基本單元是決策樹，通過集成學(xué)習(xí)的思想將多個決策樹集成的一種算法，依靠于決策樹的投票選擇來決定最后的分類結(jié)果。它的工作原理是生成多個分類器，各自獨(dú)立地學(xué)習(xí)和做出預(yù)測。這些預(yù)測最后結(jié)合成單預(yù)測，因此優(yōu)于任何一個單分類的做出預(yù)測。它作為一種新興的、高度靈活的集成學(xué)習(xí)算法，在很多具體問題中展現(xiàn)出強(qiáng)大的性能，已經(jīng)廣泛地應(yīng)用于各行各業(yè)，從金融財務(wù)到醫(yī)療健康，既可以用來評估上市公司財務(wù)風(fēng)險，也可用來預(yù)測疾病患病概率。

隨機(jī)森林算法的實現(xiàn)過程主要分為以下3步。

（1）用隨機(jī)的方式來建立包含眾多決策樹的隨機(jī)森林，單個決策樹都是隨機(jī)生成，不同的兩個決策樹之間沒有特定的關(guān)聯(lián)。假設(shè)訓(xùn)練集大小為N，對于每棵樹而言，采用bootstrap sample方法，隨機(jī)且有放回地從總訓(xùn)練集中的抽取N個訓(xùn)練樣本，作為該樹的訓(xùn)練集［6］，每棵樹的訓(xùn)練集都是不同的，而且里面包含重復(fù)的訓(xùn)練樣本。

（2）在每棵樹的生長過程中，隨機(jī)選擇特征對決策樹的內(nèi)部節(jié)點進(jìn)行分裂，常用的決策樹分裂算法包括C4.5算法、ID3算法和CART算法等［7］。假設(shè)每個樣本的特征維度為M，根據(jù)指數(shù)最小原則，指定一個常數(shù)m<

（3）將需要處理的樣本輸入隨機(jī)森林，由森林中的每一棵決策樹分別進(jìn)行分類判斷，決定輸入的樣本應(yīng)該屬于哪一類，再匯總?cè)縉棵決策樹的判斷結(jié)果，根據(jù)N種分類結(jié)果對每個記錄進(jìn)行投票表決，最終將具有最大記錄數(shù)的分類結(jié)果作為算法最終輸出［9］。

3 基于隨機(jī)森林算法的成績預(yù)警模型

3.1 成績預(yù)警模型的構(gòu)建

根據(jù)隨機(jī)森林算法的思想及實現(xiàn)過程，本文設(shè)計的成績預(yù)警模型以教務(wù)系統(tǒng)中往屆學(xué)生的大量成績數(shù)據(jù)為總訓(xùn)練集，采用bootstrap sample方法，抽取N個訓(xùn)練樣本作為訓(xùn)練集，形成互不關(guān)聯(lián)的N個決策樹，再選擇相關(guān)課程分?jǐn)?shù)作為隨機(jī)特征變量，每個決策樹根據(jù)自己的訓(xùn)練集對學(xué)生的成績進(jìn)行一個預(yù)測，最后綜合每一個決策樹的預(yù)測結(jié)果，形成對學(xué)生未來成績最終走向的判斷。該模型如圖1所示。

圖1 基于隨機(jī)森林算法的成績預(yù)警模型示意

3.2 成績預(yù)警模型的實現(xiàn)

假設(shè)待預(yù)測的學(xué)生為某高校自動化專業(yè)2017級學(xué)生張三，需要預(yù)測的課程為下一學(xué)年所開設(shè)的“系統(tǒng)集成技術(shù)”。根據(jù)預(yù)測課程成績的不同分為3個預(yù)警風(fēng)險等級：預(yù)測成績低于60分為高風(fēng)險，預(yù)測成績在60到75之間為中風(fēng)險，預(yù)測成績高于75為低風(fēng)險。本文以該高校2016級自動化專業(yè)65名學(xué)生的4 540條成績作為總訓(xùn)練集，用本文之前提出的隨機(jī)森林預(yù)警模型對學(xué)生成績數(shù)據(jù)建模，最終生成對張三的“系統(tǒng)集成技術(shù)”這門專業(yè)課的預(yù)警風(fēng)險等級。

首先采用bootstrap sample方法從4 540條成績數(shù)據(jù)中抽取4個成績樣本集合作為訓(xùn)練集，形成包含4個決策樹的隨機(jī)森林，之后根據(jù)實際情況確定每個決策樹的隨機(jī)特征數(shù)為1，并為每個決策樹挑選一門本學(xué)年的專業(yè)課成績作為隨機(jī)特征變量，決策樹1以“模擬電子線路”成績作為隨機(jī)特征變量，決策樹2以“微機(jī)原理”成績作為隨機(jī)特征變量，決策樹3以“自動控制原理”成績作為隨機(jī)特征變量，決策樹4以“電機(jī)及拖動”成績作為隨機(jī)特征變量。經(jīng)過計算，每個決策樹根據(jù)自己的訓(xùn)練集對“系統(tǒng)集成技術(shù)”這門目標(biāo)課程成績的風(fēng)險等級判斷分布如表1—4所示。

以上4個決策樹的訓(xùn)練集和訓(xùn)練結(jié)果構(gòu)成了一個具體的隨機(jī)森林，以這一隨機(jī)森林為成績預(yù)警模型的核心，將學(xué)生張三當(dāng)前學(xué)年的4門專業(yè)課程成績作為樣本輸入，由4個決策樹來分別判斷目標(biāo)課程的風(fēng)險等級，綜合以上4個決策樹的預(yù)測結(jié)果，最終得到該學(xué)生的目標(biāo)課程風(fēng)險等級分布，如表5所示。

根據(jù)最終預(yù)測結(jié)果，該學(xué)生下一學(xué)年的目標(biāo)課程“系統(tǒng)集成技術(shù)”成績處于高風(fēng)險和低風(fēng)險的概率都較小，分別為4.9%和24.0%；處于中風(fēng)險的概率較大，為66.2%。

4 結(jié)語

本文針對現(xiàn)有高校學(xué)生成績預(yù)警的滯后性、局限性，基于大數(shù)據(jù)背景下隨機(jī)森林算法，提出了一種高校學(xué)生成績預(yù)警模型。通過對高校相同專業(yè)學(xué)生的現(xiàn)有成績進(jìn)行深入分析，挖掘成績數(shù)據(jù)的潛在規(guī)律，從大量成績數(shù)據(jù)中抽樣形成不同的訓(xùn)練集，進(jìn)而形成若干決策樹對學(xué)生的成績分別做出預(yù)測，最終綜合所有決策樹的預(yù)測結(jié)果得出學(xué)生成績的風(fēng)險等級。經(jīng)過實驗證明，該預(yù)警模型能夠有效改進(jìn)現(xiàn)有的成績預(yù)警機(jī)制，使預(yù)警能夠提前產(chǎn)生，為盡早介入學(xué)生不良學(xué)業(yè)提供了技術(shù)支撐，提高了學(xué)生的學(xué)習(xí)質(zhì)量和效果。

表1 決策樹1對目標(biāo)課程的風(fēng)險等級判斷

表2 決策樹2對目標(biāo)課程的風(fēng)險等級判斷

表3 決策樹3對目標(biāo)課程的風(fēng)險等級判斷

表4 決策樹4對目標(biāo)課程的風(fēng)險等級判斷

表5 學(xué)生目標(biāo)課程風(fēng)險等級分布