C4.5決策樹方法在課程教學(xué)成績分析中的應(yīng)用

胡 佳

（南昌師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院，南昌 330029）

0 引言

數(shù)據(jù)挖掘是一種從大量數(shù)據(jù)中提取潛在的和有價值的知識的過程。所謂的分類是把數(shù)據(jù)庫的記錄映射到一個已經(jīng)定義好的類中的過程。實(shí)現(xiàn)分類的方法有很多，包括機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)和統(tǒng)計方法等，其中機(jī)器學(xué)習(xí)的決策樹方法是一個比較熱門的方向，其是通過信息論中的信息增益去尋找數(shù)據(jù)庫中具有最大信息量的屬性，建立決策樹的一個可以分裂的結(jié)點(diǎn)，再根據(jù)這個屬性字段的不同取值去建立樹的分支。決策樹方便于企事業(yè)單位管理部門做出決策。決策樹學(xué)習(xí)算法的一個最大的優(yōu)點(diǎn)就是只要在建模過程中訓(xùn)練事例能夠用“屬性-值”的方式表達(dá)出來，就能使用該算法來進(jìn)行建模。

1 決策樹分類的基本方法

決策樹模型的內(nèi)部結(jié)點(diǎn)是測試的屬性，葉子結(jié)點(diǎn)是最后測試的類別，分支是測試屬性的值。從決策樹的根到葉子結(jié)點(diǎn)的路徑就是一條分類規(guī)則。分類的過程分為兩步：建立模型和使用模型。建立模型是通過給定的訓(xùn)練集找到適合的映射函數(shù)：->的表示模型，（該步也稱為有指導(dǎo)的學(xué)習(xí)），這里建立模型階段也分為兩步：樹的構(gòu)造和樹的剪枝，其中樹的剪枝包括預(yù)先剪枝和后剪枝兩種方法；使用模型是使用上一步訓(xùn)練完成的函數(shù)模型預(yù)測新數(shù)據(jù)的類別，或者對數(shù)據(jù)集中的每一類別進(jìn)行描述，形成分類規(guī)則。這里我們一般采用交叉驗(yàn)證法來評估模型，也就是在訓(xùn)練開始前將一部分?jǐn)?shù)據(jù)保留，在訓(xùn)練后，利用這部分?jǐn)?shù)據(jù)對模型進(jìn)行驗(yàn)證，一般認(rèn)為準(zhǔn)確率在60%的就比較合理。

決策樹數(shù)據(jù)挖掘的一般步驟為：數(shù)據(jù)預(yù)處理，采用決策樹算法進(jìn)行挖掘，評價與表示。

2 C4.5算法決策樹的構(gòu)造過程（用一個算法表示）

整個C4.5的工作流程如圖1所示。

圖1 C4.5算法流程圖

3 決策樹技術(shù)在數(shù)據(jù)結(jié)構(gòu)成績分析中的應(yīng)用

為了配合學(xué)校的發(fā)展我們構(gòu)建了數(shù)字化校園，目前已經(jīng)有了自己的信息門戶平臺，在這個平臺中可以進(jìn)行網(wǎng)上輔助教學(xué)，也可以完成一般的教務(wù)管理，比如在這個系統(tǒng)中可以輸入學(xué)生成績并生成成績分析表，通過成績分析表得出學(xué)生成績的分布情況，方便老師總結(jié)學(xué)生本次考試成績的基本情況，但是這種成績分析僅僅停留在表面，更多的還是出于教師的教學(xué)經(jīng)驗(yàn)判斷。

因此，本文采用決策樹方法中的C4.5算法，挖掘出考試成績與影響教學(xué)的各種因素之間隱藏的內(nèi)在聯(lián)系。比如，教學(xué)改革的對象是計算機(jī)專業(yè)的學(xué)生，教學(xué)改革的課程是數(shù)據(jù)結(jié)構(gòu)，在這門計算機(jī)專業(yè)的重要基礎(chǔ)課程教學(xué)過程中，影響學(xué)生最終教學(xué)效果的因素有學(xué)生自身的基礎(chǔ)、課堂教學(xué)方法和模式等，本次挖掘就是針對學(xué)生是否有畏懼情緒，先續(xù)課程是否扎實(shí)，教學(xué)的手段是否采用了多媒體，是否開辟了第二課堂等多方面因素對數(shù)據(jù)結(jié)構(gòu)成績的影響進(jìn)行挖掘，得出內(nèi)在的規(guī)則，這里的第二課堂主要是采用多媒體的形式，為教學(xué)改革提供有利的理論支撐，并且在今后的教學(xué)中“對癥下藥”。本文首先對收集到的數(shù)據(jù)進(jìn)行預(yù)處理。

3.1 數(shù)據(jù)的預(yù)處理

本文挖掘的對象為接受過數(shù)據(jù)結(jié)構(gòu)教學(xué)的計算機(jī)系的大一學(xué)生，其中包括進(jìn)行教改的普通班學(xué)生和未進(jìn)行教改的實(shí)驗(yàn)班學(xué)生；挖掘的數(shù)據(jù)集包括學(xué)生的成績數(shù)據(jù)庫，以及采用調(diào)查問卷形式收集的學(xué)生相關(guān)信息情況表，將他們進(jìn)行對比最后得出影響學(xué)生成績的潛在因素以及教學(xué)改革的效果，對調(diào)查問卷中的空白項(xiàng)進(jìn)行忽略，對學(xué)生成績進(jìn)行規(guī)范化，將數(shù)據(jù)集成得出表1。表1中的畏懼情緒有兩個屬性：是和否；采用網(wǎng)上學(xué)堂的兩個屬性：是和否；教學(xué)方式為兩種屬性：傳統(tǒng)教學(xué)全板書和采用1/3多媒體；C語言成績的三個屬性：良好、一般和不合格；數(shù)據(jù)結(jié)構(gòu)分類的兩個屬性：良好和一般（其中分?jǐn)?shù)≤75分為一般，分?jǐn)?shù)＞75為良好）。

表1 課程教學(xué)以及調(diào)查信息預(yù)處理后

3.2 數(shù)據(jù)結(jié)構(gòu)成績的挖掘

本文采用C4.5算法進(jìn)行數(shù)據(jù)挖掘，計算其信息增益率。訓(xùn)練集的樣本數(shù)有350個，其中數(shù)據(jù)結(jié)構(gòu)成績良好的有152個樣本，數(shù)據(jù)結(jié)構(gòu)成績一般的有198個樣本。其信息增益率計算過程如下：

首先根據(jù)公式計算分類屬性的信息熵，Info（D）=-152/350×log（152/350）-198/350×log（198/350）=0.9875，根據(jù)公式，依次計算每個測試屬性的信息量。

（1）畏懼情緒屬性中屬性值為“是”的有200個，數(shù)據(jù)結(jié)構(gòu)成績良好的有94個，數(shù)據(jù)結(jié)構(gòu)成績一般的有106；畏懼情緒屬性中屬性值為“否”的有150個，數(shù)據(jù)結(jié)構(gòu)成績良好的有58個，數(shù)據(jù)結(jié)構(gòu)成績一般的有92個，

Info畏 懼 情 緒（D）=200/350×（-log（94/200）-log（106/200））+150/350×（-log（58/150）-log（92/150））=2.0356。

（2）網(wǎng)上學(xué)堂教學(xué)屬性中屬性值為“是”的有173個，其中數(shù)據(jù)結(jié)構(gòu)成績良好的有101個，數(shù)據(jù)結(jié)構(gòu)成績一般的有62；網(wǎng)上學(xué)堂屬性中屬性值為“否”有177個，數(shù)據(jù)結(jié)構(gòu)成績良好的有51個，數(shù)據(jù)結(jié)構(gòu)成績一般的有126個，

Info是否采用網(wǎng)上學(xué)堂（D）=173/350×（-log（101/173）-log（62/173））+177/350×（-log（51/177）-log（126/177））=2.2713。

（3）教學(xué)方法屬性中屬性值為“1/3多媒體”有213個，其中數(shù)據(jù)結(jié)構(gòu)成績良好的有121個，數(shù)據(jù)結(jié)構(gòu)成績一般的有92；網(wǎng)上學(xué)堂屬性中屬性值為“板書”有137個，數(shù)據(jù)結(jié)構(gòu)成績良好的有31個，數(shù)據(jù)結(jié)構(gòu)成績一般的有106個，

Info教 學(xué) 方 法（D）=213/350×（-log（121/213）-log（92/213））+137/350×（-log（31/137）-log（106/137））=2.2176。

（4）C語言成績屬性中屬性值為“良好”的有144個，其中數(shù)據(jù)結(jié)構(gòu)成績良好的有95個，數(shù)據(jù)結(jié)構(gòu)成績一般的有49；C語言成績中屬性值為“一般”有206個，數(shù)據(jù)結(jié)構(gòu)成績良好的有57個，數(shù)據(jù)結(jié)構(gòu)成績一般的有149個，

InfoC語 言 成 績（D）=144/350×（-log（95/144）-log（49/144））+206/350×（-log（57/206）-log（149/206）=2.2528。

因此：

Gain（畏懼情緒）=Info（D）-Info畏懼情緒（D）=0.9875-2.0356=-1.0481；

Gain（是否采用網(wǎng)上學(xué)堂）=Info（D）-Info是否采用網(wǎng)上學(xué)堂（D）=0.9875-2.2713=-1.2838；

Gain（教學(xué)方法）=Info（D）-Info教學(xué)方法（D）=0.9875-2.2176=-1.2301；

Gain（C語言成績）=Info（D）-InfoC語言成績（D）=0.9875-2.2528=-1.2653；

SplitInfo（畏懼情緒）=-200350×log（200/350）-150/350×log（150/350）=0.9852；

SplitInfo（是否采用網(wǎng)上學(xué)堂）=-173/350×log（173/350）-177/350×log（177/350）=0.9999；

SplitInfo（教學(xué)方法）=-213/350×log（213/350）-137/350×log（137/350）=0.9657；

SplitInfo（C語言成績）=-144/350×log（144/350）-206/350×log（206/350）=0.9772；

GainRatio（畏懼情緒）=Gain（畏懼情緒）/SplitInfo（畏懼情緒）=-1.0481/0.9852=-1.0638；

GainRatio（是否采用網(wǎng)上學(xué)堂）=Gain（是否采用網(wǎng)上學(xué)堂）/SplitInfo（是否采用網(wǎng)上學(xué)堂）=-1.2838/0.9999=-1.2839；

GainRatio（教學(xué)方法）=Gain（教學(xué)方法）/SplitInfo（教學(xué)方法）=-1.2301/0.9657=-1.2738；

GainRatio（C語言成績）=Gain（C語言成績）/SplitInfo（C語言成績）=-1.2653/0.9772=-1.2948。

此時，得出的最大信息增益率是：C語言成績，采用網(wǎng)上學(xué)堂和教學(xué)方法的兩個屬性可以合并，進(jìn)行分裂后，再按相同的方法進(jìn)行分裂。

圖2 第一次分裂屬性

采用遞歸的思想計算優(yōu)良分支中的教學(xué)方法和畏難情緒的信息增益率，得到教學(xué)方法的信息率更大，因此將優(yōu)秀分支進(jìn)行教學(xué)方法的劃分，以期僅剩下畏難情緒屬性，可以根據(jù)樣本的比率進(jìn)行分配。

圖3 再一次分裂屬性

同理，通過迭代完成分支的劃分，最終建立C4.5決策樹模型，如圖4所示。

圖4 最終的決策樹模型

因?yàn)閿?shù)據(jù)清理過程中已經(jīng)對數(shù)據(jù)進(jìn)行過處理，所以這里不進(jìn)行剪枝。

采用IF-THEN表示分類規(guī)則為：

IF C語言成績優(yōu)良AND教學(xué)方法為多媒體，那么數(shù)據(jù)結(jié)構(gòu)成績?yōu)榱己谩?/p>

IF C語言成績好AND采用板書，那么數(shù)據(jù)結(jié)構(gòu)成績?yōu)橐话恪?/p>

IF C語言成績一般，AND有畏難情緒，那么數(shù)據(jù)結(jié)構(gòu)成績?yōu)橐话恪?/p>

IF C語言成績一般AND沒有畏難情緒AND教學(xué)方法為多媒體，那么數(shù)據(jù)結(jié)構(gòu)成績?yōu)榱己谩?/p>

IF C語言成績一般AND沒有畏難情緒AND教學(xué)方法采用板書，那么數(shù)據(jù)結(jié)構(gòu)成績?yōu)橐话恪?/p>

4 結(jié)語

本文通過預(yù)處理，然后對數(shù)據(jù)結(jié)構(gòu)成績進(jìn)行挖掘，得到了不同教學(xué)方法的重要性，數(shù)據(jù)結(jié)構(gòu)是一門比較抽象的計算機(jī)課程，采用一定的多媒體教學(xué)對學(xué)生學(xué)習(xí)數(shù)據(jù)結(jié)構(gòu)知識是有幫助的。在今后的教學(xué)過程中，我們可以選擇數(shù)據(jù)挖掘的各種方法和算法進(jìn)行教學(xué)方面的挖掘，以達(dá)到輔助教師教學(xué)的決策。