基于決策樹算法的招生數據挖掘應用研究

朱莉萍

（成都文理學院，四川 成都 610000）

0 引 言

招生工作是各大院校的常規工作也是最重要的工作之一，對于民辦高職院校而言，招生工作更是關乎全校教職工的生計。報考率和報到率是招生人員最為關心的兩個因素，也是衡量一個學校招生管理水平和成效的重要依據。利用數據挖掘技術對招生錄取數據進行挖掘分析，提煉出影響報到率的重要因素，進行報到預測，將挖掘結果用于指導招生宣傳和服務，輔助招生管理決策。

文獻[1]中，作者利用決策樹算法對不同專業考生的性別進行預測，利用貝葉斯算法預測每個專業的生源省份，得到的預測結果和實際結果之間的誤差率較低；文獻[2]中，作者用CHAID 算法構建決策樹模型，挖掘出性別同專業、成績，生源地同專業等方面的潛在信息。

1 決策樹算法

決策樹是一種使用非常廣泛的分類技術。在分類的過程中，用一棵倒置的樹從根節點開始由上到下逐漸構建決策的分支。常見的決策樹算法有ID3、CHAID、CART、C4.5 等。為了確保在決策樹的構建過程中每一個決策分支之間的差異最大，ID3 算法將信息增益作為確定劃分的標準，而C4.5算法將信息增益率作為確定劃分的標準。C4.5 算法是在ID3算法的基礎上改進而來的，不僅可以處理離散型數據，也能處理連續性數據，因此本文考慮利用C4.5 算法對招生數據進行挖掘。下面介紹幾個概念和公式：

（1）信息熵：表示信息的不確定性，公式定義如下：

（2）屬性分裂后信息熵

假設屬性有個離散值，數據集合中的元組被劃分為個子集合D，按照屬性分裂后的信息熵定義為：

（3）信息增益

（4）信息增益率

2 數據挖掘準備

2.1 招生數據

本文將某民辦高職院校近三年的招生錄取數據作為研究對象。招生錄取源數據從招辦系統導出，屬性很多，包含考生號、準考證號、考生姓名、性別、出生年月、民族代碼、政治面貌代碼、考生科類代碼、畢業類別代碼、中學代碼、身份證號、家庭地址、郵政編碼、專業志愿、提檔成績、錄取成績等幾十個字段。

2.2 數據預處理

在數據預處理階段采用何種方法和技術需要在充分理解招生業務特點、招生數據挖掘目標和對源數據本身的理解的基礎上進行選擇。

2.2.1 數據集成

由于高職院校有單獨招生考試和普通招生考試兩種考試錄取制度，且每年數據單獨存放，因此需要將三年的錄取數據合并，增加“錄取方式”字段，填入“單招”和“統招”屬性值。

2.2.2 數據清理

招生數據中的大部分字段對挖掘任務沒有意義，將準考證號、出生年月、聯系電話等字段刪除?！笆欠駡蟮健弊侄问窃谛律鷪蟮狡陂g手動填寫的信息，有幾條空值，去除少數缺失數據，同時將保留學籍的數據處理為“是”，將退學的數據處理為“否”。將專業志愿中簡寫的專業名稱更改為規范名稱。

2.2.3 數據轉換

根據招生經驗，生源地對考生報到有一定影響，但生源地的類別較多，故按照東西南北方向將生源地進行泛化，轉換成川東、川南等6 個地區。

同樣，對眾多的專業根據學校院系劃分進行泛化，轉換為財稅金融、公共管理、建筑設計等10 個專業群。

另外，成績是連續的數據，且單獨招生考試和普通招生考試的單科分值等存在較大差異，因此先將考分進行標準化，再進行離散化，最終將成績轉換為A（優良）、B（中等）、C（較差）三個等級。

2.2.4 預處理結果

對招生數據進行預處理之后的數據效果如圖1所示。

圖1 預處理后的數據集

3 建立決策樹

根據C4.5 算法中的公式（1）～（4），下文計算招生數據中各個屬性的信息量、信息增益、信息增益率等。

3.1 計算測試屬性信息量

招生數據集共計15 526 條，按測試屬性“是否報到”分為T 和F 兩類，T=13 125，F=2 401，得到測試屬性的信息量為：

3.2 計算各個屬性的信息量

分別計算性別、考生類別、成績、錄取方式、生源地、考生科類、專業志愿7 個屬性的信息量如下：

（1）“性別”屬性各節點是否報到的數據為男[7 079，1 289]，女[6 046，1 112]

（2）“考生類別”屬性各節點是否報到的數據為農村[10 011，1 936]，城鎮[3 114，465]

（3）“成績”屬性各節點是否報到的數據為A[2 056，267]，B[9 211，1 633]，C[1 858，501]，同理可得：

Info（A）=0.514 6

Info（B）=0.611 3

Info（C）=0.746

（4）“錄取方式”屬性各節點是否報到的數據為單招[9 831，1 430]，統招[3 294，971]

Info（單招）=0.549 1

Info（統招）=0.773 9

（5）“生源地”屬性各節點是否報到的數據為川東[3 254，642]，川南[2 705，523]，川西[1 770，308]，川北[1 737，298]，川東北[2 969，477]，三州[690，153]

Info（川東）=0.645 6

Info（川南）=0.639 1

Info（川西）=0.605 4

Info（川北）=0.600 9

Info（川東北）=0.580 1

Info（三州）=0.638 8

（6）“考生科類”屬性各節點是否報到的數據為對口高職[5 650，1 340]，理工[2 417，333]，文史[4 905，670]，藝體[153，58]：

Info（對口高職）=0.705

Info（理工）=0.532 5

Info（文史）=0.529 9

Info（藝體）=0.848 4

（7）“專業志愿”屬性各節點是否報到的數據為財稅金融[1 028，171]，公共管理[1 476，252]，健康[2 660，591]，建筑設計[1 382，202]，教育管理[1 248，211]，汽修[821，189]，數媒[1 266，227]，通信[878，168]，物流電商[663，124]，信息技術[1 703，266]：

Info（財稅金融）=0.591 1

Info（公共管理）=0.599 3

Info（健康）=0.684

Info（建筑設計）=0.550 6

Info（教育管理）=0.596 2

Info（汽修）=0.695 4

Info（數媒）=0.614 9

Info（通信）=0.635 8

Info（物流電商）=0.628 4

Info（信息技術）=0.571 2

3.3 計算各個屬性的信息熵

各個屬性的信息熵計算結果為：

同理：

Info（考生類別）=0.620 3

Info（成績）=0.617 3

Info（錄取方式）=0.610 9

Info（生源地）=0.620 5

Info（考生產類）=0.613 5

Info（專業志愿）=0.619 3

3.4 計算各個屬性分裂后的信息量

各個屬性分裂后的信息量為：

同理：

SInfo（考生類別）=0.778 9

SInfo（成績）=1.184 7

SInfo（錄取方式）=0.848 1

SInfo（生源地）=2.454 4

SInfo（考生科類）=1.575 5

SInfo（專業志愿）=3.206 2

3.5 計算各個屬性的信息增益率

同理：

GainR（考生類別）=0.001 3

GainR（成績）=0.003 4

GainR（錄取方式）=0.012 3

GainR（生源地）=0.000 3

GainR（考生科類）=0.005

GainR（專業志愿）=0.000 6

3.6 比較各屬性信息增益率

根據第（5）步的結果可知“錄取方式”字段信息增益率最大，故將其作為根節點，然后分別在單招和統招兩種情況下繼續計算其他屬性值的信息熵和信息增益率，將信息增益率相對最高的屬性作為下一級分支節點，不斷重復以上幾個步驟，完成各個分支的劃分，并最終得到是否報到的完整決策樹。由于生成的完整的決策樹較大不便展示，圖2僅顯示了其中較小一部分。

圖2 決策樹局部

4 生成規則

決策樹每一條分支的路徑就是一條規則，由決策樹生成的部分規則表示如下：

（1）規則用于“是否報到”=“F”的5 個規則：

規則1：IF 性別 = 女 and 考生科類 = 對口高職類 and 提檔成績 = C and 錄取方式 = 統招and 專業 = 物流電商專業群and 考生類別 = 農村 Then F

規則 ：IF 性別 = 女and 生源地 in [ "三州地區" "川北地區" "川西地區" ]

and 考生科類 = 對口高職類and 錄取方式 = 統招 and 專業 = 信息技術專業群Then F

規則3：IF 生源地 = 川南地區 and 提檔成績 = C and 錄取方式 = 統招

and 專業 = 財稅金融專業群 Then F

規則4：IF 性別 = 男and 考生科類 = 對口高職類and 錄取方式 = 統招

and 專業 = 物流電商專業群 Then F

規則5：IF 考生科類 in[“文史類””理工類”]and 生源地 = 川南地區and 錄取方式 = 統招and 專業 = 財稅專業群and 提檔成績 = C Then F

（2）規則用于“是否報到”=“T”的5 個規則：

規則1：IF 考生科類 in [ "文史類" "理工類" ]and 提檔成績 = A Then T

規則2：IF 考生科類 in [ "文史類" "理工類" ]and 專業 in [ “信息技術專業群” “健康專業群” “公共管理專業群” “建筑設計專業群” “教育管理專業群” “數媒專業群”“汽修專業群” “物流電商專業群” ]Then T

規則3：IF 考生科類 in[ “文史類” “理工類” ]and提檔成績 = Band 性別 = 男 Then T

規則4：IF 生源地 in [ “三州地區” “川東北地區”“川東地區” “川北地區” “川西地區” ]and 考生科類 in ["文史類" "理工類” ]Then T

規則5：IF 專業 = 通信專業群 and 錄取方式 = 單招Then T

5 結 論

根據決策樹規則，對招生數據挖掘模型進行測試，得到預測的準確率為85.91%，得到各因素影響報到的重要程度排序為：錄取方式、專業志愿、生源地、考生科類、考生類別、性別。

決策樹算法簡單，建立的樹型結構也容易讓不懂數據挖掘的招生人員看懂，對報到情況的預測準確率也滿足需求，挖掘結果對招生管理工作有一定的輔助作用，未來可以考慮集合更多數據，對決策樹算法進行改進，更好地應用于招生數據挖掘。