基于K-means融合決策樹分類算法的學生表現評價模型構建

許亞杰，梁靖涵

(鄭州科技學院 信息工程學院，河南 鄭州 450000)

0 引言

青少年是祖國的未來，是黨和國家事業的接班人，正處于學習基礎知識、認識世界的關鍵時期。研究表明，青少年時期的表現對青少年以后的人生有著深遠的影響，因此，教育者應當重視學生表現[1]。目前，國內外專家學者對學生表現評價的研究已取得了一定的研究進展，相關的理論和實踐性研究成果為本課題形成提供了重要的思想借鑒，但是，專門針對初級中學生家庭、行為和教學特征的研究成果尚不多見[2]。然而，初級中學生正處于是青春發育的關鍵期，存在著各式各樣的問題，因此，教育者更要關注學生的成長，發現學生成長中的隱患，及時調整學生狀態，促進學生全面發展。

1 K -means數據預處理

1.1 數據集

數據集來源于標準測試數據集，由加州大學歐文分校提供，數據集名稱為Student Performance。該數據集通過使用學校報告和調查表進行收集，數據屬性包括學生成績、社會和與學校相關特征，數據集共有395條、33個屬性。

1.2 數據探索與數據解釋

本文重點研究影響學生學習表現的自身、家庭和學校因素。為保證數據集特征與分析內容相關性，需要對數據進行初步篩選。經過統計分析，總結出影響學生的如下因素：(1)在自身因素上，主要考慮健康狀況、是否想要接受高等教育的意愿、是否戀愛；(2)在家庭因素上，家庭大小、父母同居狀態、家庭關系質量；(3)在學校因素上，缺勤次數、每周學習時間、課外活動、上網時間、空閑時間等。

為此，本文提取了其中的主要因素對數據進行匯總，選擇了famsize，Pstatus，studytime，activities，higher，Internet，romantic，famrel，freetime，goout，health和absences等12個屬性作為特征評價指標。各屬性及描述如表1所示。

表1 數據集的屬性與描述

1.3 數據清洗

數據清洗主要包括格式標準化、異常數據和重復數據清除和錯誤數據糾正。通過簡單查詢，可以看到本文所使用的學生表現數據，數據的格式包含：數值型數據、字符型數據和邏輯數據，為保障數據分析的有效性，必須對數據進行規范化處理。為此，本文對字符型數據進行編碼，使其轉化為數值型數據，其中，對于famsize特征：LE3編碼成0，GT3編碼成1；Pstatus特征：T編碼成0，A編碼成1。對于邏輯型數據，通過編碼使其轉化成數值型數據，為此，對于特征activities，higher，Internet和romantic的屬性值，TRUE編碼成1，FALSE編碼成0。

同時，本文對學生表現數據集進行異常值檢測并清理。本文選擇G3(最終成績)作為數據標簽，并查看其數據分布。從G3的數據分布可以看出，數據分布從0～20，可以看出大部分學生的成績分布在8～15分，小部分的學生分布在0～7和16～20。其中，對于數據集中G1(第一階段成績)、G2(第二階段成績)、G3(第三階段成績)的關聯性來看，對于G3為0 的學生而言，G1和G2很高，而G3為0，說明該學生G3成績數據存在異常，為此，為保障分類的準確性，將數據集中G3為0的38條數據進行清除，至此，數據集共有357條。

1.4 一維數據集的K-means聚類

從G3的數據分布上可以看到數據集成績分布在0～20，等級劃分較為松散，在數據集樣本量不大的情況下，不利于數據分類預測，為此，為保障數據標簽劃分的合理性，本文采用K-means聚類算法，將數據劃分成兩類，分別是warning和keeping兩類標簽，用0和1代替。

2 決策樹預測模型的構建

針對學生表現分類，本文利用已有研究結果，考慮到方法適用性以及理論成熟性，在數據挖掘算法中選擇了決策樹分類方法[3]。

決策樹算法包含有ID3，C4.5和 CART樹，其中CART樹又稱為分類回歸樹，既可用于分類，也可用于回歸。當數據集的因變量是離散值時，可以采用CART分類樹進行擬合[4]。本文中，數據集特征均為離散型數據，且特征較多，適合使用CART樹進行分類。

2.1 決策樹建模流程

決策樹建模過程是一個遞歸的過程，基本步驟如下：

(1)首先加載樣本數據。

(2)根據樣本特點，選擇合適的特征選擇標準。

(3)開始將所有記錄看作一個節點。

(4)根據特征選擇標準，遍歷每個變量的每一種分割方式，找到最好的分割點。

(5)分割成兩個節點N1和N2。

輪式機器人的線速度可通過編碼器獲得，設兩輪輪距為L，編碼器的線數為P（輪子轉一圈編碼器輸出的脈沖數），輪徑為D。通過左右編碼器的脈沖頻率fL和fR可以算得左右輪子的線速度為：

(6)對N1和N2分別繼續執行(3)-(5)步，直到每個節點足夠“純”為止。

(7)生出決策樹模型。

2.2 特征選擇標準

決策樹算法通過大量數據集樣本訓練，構建樹形結構來描述分類規則。其中，樹形結構是關鍵，需要確定樹上的每一層的屬性，前提是需要確定特征選擇標準。

對于CART 決策樹算法使用基尼指數來選擇劃分屬性，基尼值代表了根據某一特征屬性分類后的數據的不純度。基尼值越小表示集合純度越高，反之，集合越不純[5]。

其中，數據集D中有K個類，k表示類別；pk表示樣本屬于第k個類別的概率。

對于特征A，將集合D劃分成D1和D2，基尼指數G(D，A)表示經過特征A劃分后集合D的不確定性，公式如下：

其中，∣D∣，∣D1∣，∣D2∣分別表示數據集D，D1，D2中樣本數量。

3 實驗結果與分析

CART模型在學生表現分類中的應用。具體過程，由于總樣本量共357條，樣本量不大，為提高訓練模型的泛化能力，采用K折交叉驗證法，其中k=10，選擇其中285條數據作為訓練集數據來進行模型擬合，利用剩下72條數據作為測試集來進行模型預測，驗證模型準確率。

在建模方面，通過網格搜索找到最優參數，設定決策樹模型關鍵參數為criterion="gini"，max_depth=3、min_samples_split=25，random_state=0。

通過CART算法對數據集進行決策樹模型建立，如圖1所示。其中，每一個內部結點特征取值為是和否，左分支是，右分支否。每個節點第一個屬性表示分割節點條件，samples 表示這一層分類使用的樣本數，class表示所屬類別，value中的兩個值分別表示標簽為warning和keeping的樣本數。

圖1 決策樹模型

根據CART模型可以得到影響學生表現的重要指標以及指標內容指向。從圖1中可以看出，對學生表現影響比較大的因素分別是goout，absences，health以及Internet。從根節點右分支來看，當學生goout次數大于3.5，且學生健康指數大于2.5，學生曠課次數大于7次，可以明顯地判定出學生表現會很差。即對于初中學生而言，如果出去次數過多，在身體允許情況下，經常曠課，會嚴重影響學生表現。因此，在今后學生管理中，對于學生家長，要適當約束學生外出次數，對學校管理要加強學生考勤工作，在身體允許情況下，保證出勤次數，以此來確保學生有足夠時間投入學習，達到提高成績的目的。

4 結語

本文采用決策樹算法對學生表現數據集中的famrel，goout，health和absences等12個特征進行分析，建立了決策樹CART模型。從決策樹規則中可以看出，學生要積極鍛煉身體保證身體健康，家庭方面要合理地限制學生外出次數，學校要嚴格執行考勤制度，確保學生在健康情況下，要應出勤盡出勤，以此來保障學生的投入學習，提高教學效果，保障教學質量。