決策樹算法下的大學生公共體育教學與評價分析

王玉國 宋忠田

摘要：針對當前大學公共體育教學質量評價中缺乏科學、有效的評價手段，導致教學效率低下，教學內容枯燥的問題，需要對教育教學質量評價指標進行數據挖掘和分析，提升體育教學課程管理質量和效率。基于決策樹技術進行數據的分類，提取體育課程中的數據特征和關系，結合ID3算法，通過信息增益檢驗決策樹各級節點上數據的特征屬性，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點和分支，指導該子集實例被劃分為某一個類別，尋找影響大學體育課堂教學質量因素。教學內容在教學質量評價中占主導地位，直接影響教學質量的評價結果，采用決策樹能為體育教學課程管理提供有價值的數據支持，有效提高體育教學課程管理質量和效率。

關鍵詞：體育教學;決策樹算法;數據挖掘

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是學習體育知識和掌握技能的有效方式，能有效增強學生體質，提高學生身體素質。隨著高校教育體質改革的實施，公共體育教學觀念、教學內容和手段都在不斷發生改變[12]。因此，對高校體育課堂教學進行評價，了解影響體育課堂教學質量影響因素，從而有針對性的進行教學改良，提升課堂教學水平，具有重要意義。數據挖掘作為當前熱門的研究領域，通過在大量數據中來提取未知的、潛在的、有應用價值的信息，來為個行業的發展和決策提供重要的參考依據[3]。決策樹算法作為數據挖掘中的一個重要技術手段，融合了機器學習、數據統計、智能數據庫、神經網絡等技術，通過算法對相關影響因素的潛在數據進行進行挖掘，為教育管理和決策提供現代教學評價數據庫理想模型[46]。如通過考慮各影響體育教學的因素來構建決策樹，實現對影響指標的綜合評價，并有針對性性的給出提升教學質量的解決方案[7];如基于ID3決策樹的商務英語實踐成效評價，進行考試成績的管理和分析，由此針對性的提出課程內容改進和教學內容評估等，有效推進教學質量評價管理，提升教學質量[8]。基于此，本文通過將決策樹引入大學公共體育教學評價中，對教學質量評價指標進行有效挖掘，發現其中的不合理性并進行改進，實現教學質量和管理水平的提升。

1決策樹技術基本原理

1.1數據挖掘

數據挖掘是從海量數據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。它利用數據庫關系系統查詢、檢索功能，結合統計分析處理，得出可供決策參考的統計分析數據[7]。決策樹技術作為數據挖掘方法中一種常見的信息論方法，通過對數據進行分類，以達到預測的目的。

決策樹是一棵有向、無環樹，決策樹由決策節點、分支和葉子組成[9]。樹上的每一個內部節點均表示一個測試點，樹的分支對應一個測試輸出，樹葉節點則為一個代表類分布。在通過決策樹進行數據分類過程中，首先需要對獲得的數據訓練集進行分析測試，根據獲得的數據類別建立待解決問題的數據分類模型，然后根據建立的決策樹對未知數據分類。作為一類貪心算法，決策樹數據挖掘是一種自頂向下的遞歸算法，有決策樹的根節點開始，根據獲得的樣本數量對集中屬性逐一測試，并通過屬性類別對數據訓練集分類，獲得若干字訓練集，其中每個子訓練集作為一個非葉節點，進行遞歸循環執行，直到滿足設定條件后，形成樹的葉子節點，終止計算[10]。在建立決策樹的過程中，由于數據集中存在噪聲的干擾[11]，因此，形成的分枝反映出訓練集中存在的異常情況，容易造成數據的擬合過度問題，因此就需要對構建的決策樹進行修剪，去掉存在的異常分支，保證分類結果的準確性。

對于決策樹每個節點，每個決策節點表征一個問題或決策，對應待分類對象屬性，每一個葉子代表可能存在的分類結果。沿決策樹由上而下遍歷，通過對每個結點進行測試，將各節點上的測試輸出結果構成不同分支，最后由某一途徑傳輸到一個葉子節點。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算法在缺省狀態下存在缺陷，因此本文選擇采用ID3算法進行數據的分類和預測。

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點上數據的特征屬性，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點和分支，指導該子集實例被劃分為某一個類別。

在ID3算法中，

設S為訓練集，s為樣本數，假設類Ci（i=1，2，…，m）存在m個不同值，其中類Ci的樣本數為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。

設屬性A中存在v個不同值{a1，a2，…，av}，對S訓練集，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節點中形成的多個分枝。設sij為Sj中類Ci樣本數。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，根據測試屬性創建節點并進行屬性標記，并由屬性只構建分枝進行樣本劃分[13]。

1.3樹的修剪

在決策樹創建過程中，由于訓練集中噪聲的存在，在訓練數據中存在異常現象的分支，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[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，根據建樹條件，去掉其中存在的部分異常分支，并利用葉節點重新建立新的決策樹。

本文中根據體育教學評價數據分類特性，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點，保證決策樹結點最小的前提下具備最高的例子識別準確率。根據特征取值不同構建分支，對分支實例子集進行遞歸處理，建立決策樹結點和分支，直到某一子集中的所有例子均為相同子集。

2決策樹算法應用

2.1數據采集

以某體育大學在校師生為對象，分別在學期末進行問卷調查，針對影響體育教學質量因素分析。體育教學評價是解釋體育教學的價值，因此，選定的評價指標應力求反映體育課堂教學狀態和效果。由于教學質量是教學過程的中心環節，因此以課堂教學為例，進行決策樹分析，將教學質量評價指標按照教學內容、教學手段、教學效果和教學態度等分為五個項目。假設K1：教學態度;K2：教學內容;K3：教學方式;K4：教學效果;K5：教學結果五個訓練樣本數據，組織體育學院6位一線體育教師和4位碩士導師共10人進行任課教學效果評價。將評價等級分為5級，分別為：A：優秀（90100）;B：良好（8090）;C：中等（7080）;D：合格（6070）;E：不合格（<60）;獲得10個教師的教學質量評價如表1所示。

通過表1所示的評價結果，利用ID3算法構成決策樹，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））

根據表1中獲得的教師教學質量評價結果和建立的決策樹，確定樣本期望信息熵為：

I（S）=-110log2110-

610log2610-

310log2310=1.25775996

對于教學態度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，計算獲得教學態度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）。可以看出，樣本中教學內容K2屬性信息增益具有做大值，因此選擇教學內容K2作為根節點測試屬性，在每個值根節點創建分支，并基于ID3從根節點進行進一步細分。若根節點到當前節點路徑包含了所有樣本的全部屬性，或屬于同一訓練樣本層，則算法完成，根據教學內容K2測試屬性建立的決策樹形圖，如圖2所示。

2.2決策結果

根據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語句作為分類規則，其中每一條根節點至葉節點的路徑均對應著一個唯一的決策規則，根據建立的決策樹型，獲得決策樹結果的部分代碼，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;

根據分析可知，教學內容K2在教師教學中占主導地位，若教學內容為優秀時，獲得的教學質量評價為優秀，若教學內容為良好時，則教學質量評價結果為良好因此對教學質量的評價中，教學內容作為主要的考慮因素，同時兼顧教學方式、教學態度等其他樣本。當教學內容為中等，而教學態度為中等時，獲得的教學質量評價結果為中等;當教學內容為中等，而教學態度良好，教學方式為良好或中等時，得到的教學質量評價結果為中等。

3總結

大學公共體育教學質量評價是提升課堂教學質量的有效方式。決策樹技術應用于教學質量的評價，通過對調查數據的挖掘分析，進行數據的分類，提取體育課程中的數據特征和關系，并結合ID3算法，通過信息增益檢驗決策樹各級節點上數據的特征屬性，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點和分支，指導該子集實例被劃分為某一個類別，尋找影響大學體育課堂教學質量因素，為體育教學課程管理提供有價值的數據支持，提高體育教學課程管理質量和效率。

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設計[J].現代電子技術，2019，42（3）：131133.

[2]郭鵬，蔡騁.基于聚類和關聯算法的學生成績挖掘與分析[J].計算機工程與應用，2019，55（17）：169179.

[3]張樹滑.基于ID3算法的大學生成績數據挖掘與體能分析系統設計[J].現代電子技術，2019，42（5）：104106.

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

[5]張馨嬌.基于數據挖掘技術的學生體育成績管理系統的設計[J].自動化與儀器儀表，2017（10）：223224.

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

[7]吳元慶.基于數據挖掘的體育教學信息系統的研究與設計[J].自動化與儀器儀表，2017（3）：7778.

[8]孫莉.基于C4.5算法的大學陽光體育系統設計與實現[J].自動化技術與應用，2019，38（7）：2832.

[9]祝莉妮.基于數據挖掘的體育成績管理與體能分析研究[J].數字技術與應用，2017（3）：83.

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

[11]吳元慶.基于數據挖掘的體育教學信息系統的研究與設計[J].自動化與儀器儀表，2017（3）：7778.

[12]李壽邦.基于分類規則的大學生體質測試數據挖掘的應用研究——以西安石油大學三年級學生為例[J].西安石油大學學報（自然科學版），2018，33（5）：120126.

[13]羅嗣卿，王佳玉，李冰珂.改進的組合優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.決策樹和回歸技術在超重危險因素分析中的應用[J].現代預防醫學，2018，45（9）：15491552.

[15]王杰.基于資源庫的運動技戰術訓學研平臺構建[J].上海體育學院學報，2018，42（3）：7478.

[16]方歡，方賢文，郭娟，等.案例驅動下的分類與預測課程教學方法研究[J].長春師范大學學報，2018，37（8）：6772.

（收稿日期：2020.01.24）