廣州工商學院 陳 雪

基于決策樹算法的CCT成績分析方法探討

廣州工商學院 陳 雪

本文主要介紹基于數(shù)據(jù)挖掘決策樹技術(shù)的學生成績分析的實現(xiàn)過程，使用學生的真實考試數(shù)據(jù)，進行數(shù)據(jù)預處理后應用算法構(gòu)造決策樹。提取分類規(guī)則，通過計算規(guī)則的準確率與覆蓋率對規(guī)則進行約簡，從而挖掘有價值的規(guī)則。最后利用該分類規(guī)則，預測學生能否通過等級考試。研究結(jié)果表明，決策樹預測準確率高，能挖掘出影響學生通過CCT考試的關(guān)鍵因素，對計算機基礎課程教學有一定指導作用。

數(shù)據(jù)挖掘 決策樹 CCT 成績分析

全國高等學校計算機水平考試（College Computer Test，簡稱CCT），是經(jīng)全國各省、市、自治區(qū)教委（教育廳）第八屆高教處長聯(lián)席會議協(xié)議，從1997年舉行，由教育部所屬全國各省、市、自治區(qū)教委（教育廳）組織，測試高等學校在校學生計算機應用知識與能力的全國統(tǒng)一標準的權(quán)威考試。這項考試制度實施至今，已得到廣東省普通高校和用人單位的廣泛認可，受到學生的高度重視。

筆者所在院校組織學生參加CCT考試已有十幾年時間，積累了大量的CCT相關(guān)數(shù)據(jù)。本文對筆者所在院校2014級學生參加全國高校計算機等級考試數(shù)據(jù)使用數(shù)據(jù)挖掘技術(shù)中的決策樹算法進行了分析，該方法首先收集大量數(shù)據(jù)，通過數(shù)據(jù)預處理得到適合的訓練樣本和檢測樣本，利用軟件構(gòu)造出決策樹，通過對決策樹分析得到有價值的信息，并對決策樹模型的風險進行評估。決策樹方法分類精準，預測準確率高，為了更好地指導學生順利通過考試，挖掘大量數(shù)據(jù)背后所隱藏的對教學潛在有用信息，并據(jù)此對教學進行有針對性改革，是十分有必要的。

一、數(shù)據(jù)挖掘概述

1.數(shù)據(jù)挖掘定義。數(shù)據(jù)挖掘（Data mining）是從龐大的數(shù)據(jù)庫里，通過對不完全、有噪聲、模糊、隨機的數(shù)據(jù)處理，提取出隱藏在其中不被發(fā)現(xiàn)，但又很有利用價值的信息。數(shù)據(jù)挖掘是一個完整的、不斷完善的數(shù)據(jù)發(fā)現(xiàn)過程，可以對大型數(shù)據(jù)庫不斷挖掘、進行算法優(yōu)化，提取有效信息，并通過信息分析做出決策。

數(shù)據(jù)挖掘是數(shù)據(jù)庫技術(shù)、情報檢索、數(shù)理統(tǒng)計、專家系統(tǒng)、機器學習、模式識別與人工智能等的有機結(jié)合，廣泛應用于教育教學、金融銷售、電信電力、生物醫(yī)學等各領(lǐng)域。數(shù)據(jù)挖掘的核心算法主要有決策樹算法、統(tǒng)計分析法、分類規(guī)則、遺傳算法、聚類算法等，其中決策樹算法以直觀性強、數(shù)據(jù)分析率高的優(yōu)點而經(jīng)常用于教學管理中。

2.決策樹算法。決策樹方法利用信息增益來找尋數(shù)據(jù)庫中具有最大信息量的字段，用以建立決策樹的某個結(jié)點，然后再根據(jù)該字段的不同取值來建立樹的分支，重復這個過程最終建立樹的下層結(jié)點和分支。決策樹方法可以使數(shù)據(jù)規(guī)則變得可視化，構(gòu)造過程時間并不需要很長，雖然實際應用中決策樹可能表現(xiàn)得很復雜，但從根結(jié)點到葉子結(jié)點的每一條路徑仍然易于理解。這種易于理解性是決策樹的一個顯著的優(yōu)點，所以決策樹方法能在知識發(fā)現(xiàn)系統(tǒng)中得到較廣泛的應用。

決策樹算法通過一系列規(guī)則對數(shù)據(jù)進行分類，思路在于從訓練樣本中，自動地構(gòu)造出決策樹，根據(jù)這個決策樹再對任意實例進行檢測。決策樹的主要優(yōu)點在于樹狀結(jié)構(gòu)的決策樹分類模型，采用自頂向下的遞歸方式，簡單直觀的產(chǎn)生一個類似于流程圖的樹形結(jié)構(gòu)，可以在根節(jié)點和各內(nèi)部節(jié)點上分別選擇合適的描述屬性，并根據(jù)屬性的取值不同至上向下建立分枝。

3.決策樹算法應用

（1）挖掘準備工作

①數(shù)據(jù)采集。我院2014級學生是此次數(shù)據(jù)挖掘的對象，在挖掘中要注意深挖出和結(jié)論可能存在聯(lián)系的隱藏數(shù)據(jù)，在學生相關(guān)信息中找到有價值的內(nèi)容，方便于決策樹的構(gòu)造。在數(shù)據(jù)收集中主要獲得了以下三類數(shù)據(jù)：

第一，學生基本數(shù)據(jù)，包括學號、姓名、籍貫、年齡、性別、所屬院系、專業(yè)、班級，可以通過我院的學生學籍信息管理系統(tǒng)獲得。教師設計問卷調(diào)查表，對學生的電腦基礎、興趣愛好、是否預習、是否復習、是否宿舍有電腦等這一類輔助信息進行收集，注意問卷設計上要多選擇少填寫以規(guī)范數(shù)據(jù)格式。

第二，學生學習狀態(tài)數(shù)據(jù)，包含學生的學習態(tài)度和過程化考核成績信息，例如學生考勤信息、作業(yè)完成情況、期中考試成績、模擬考試成績等。信息的獲取來至于學生考勤表、學生平時成績登記冊、模擬考試成績細分表。其中成績細分表包含有學生在平時測試中的各章節(jié)各知識點得分情況。

第三，考試成績數(shù)據(jù)，包括學號、姓名、成績、科目、專業(yè)、班級、準考生號等，通過省考試中心的成績反饋文件獲取。

②數(shù)據(jù)預處理

根據(jù)采集到的數(shù)據(jù)特點，在挖掘之前要對其進行數(shù)據(jù)預處理工作，通過數(shù)據(jù)轉(zhuǎn)換來得到適合挖掘模型的數(shù)據(jù)，這一過程由數(shù)據(jù)集成、數(shù)據(jù)消減、數(shù)據(jù)清理、數(shù)據(jù)轉(zhuǎn)換構(gòu)成，其工作量較大，需要占據(jù)挖掘過程的60%以上。

第一，數(shù)據(jù)集成。將采集得到的多個數(shù)據(jù)文件利用數(shù)據(jù)庫技術(shù)整合，建立起復雜大型的CCT考試成績分析數(shù)據(jù)庫。

第二，數(shù)據(jù)消減。通過數(shù)據(jù)集成建立起的CCT考試成績分析數(shù)據(jù)庫數(shù)據(jù)量大，數(shù)據(jù)結(jié)構(gòu)復雜，但并不是所有的數(shù)據(jù)都有意義，應該根據(jù)實際需求挑選出有價值的的數(shù)據(jù)，來縮小數(shù)據(jù)庫的規(guī)模，要注意消減操作不能影響到知識獲取。對于數(shù)據(jù)挖掘工作來說沒有價值的一類數(shù)據(jù)，如學生學號、姓名、籍貫、年齡、所屬院系、班級、科目、準考證號等字段，要將其刪除，通過此步驟得到新的數(shù)據(jù)表。

第三，數(shù)據(jù)清理。在教師收集學生問卷調(diào)查時，由于學生的配合度不一，可能會得到某些不合格的數(shù)據(jù)，或在一些選項中存在遺漏，需要進行數(shù)據(jù)清理。對一些單項或少量統(tǒng)計不全的記錄，可以使用同類樣本的平均值來進行替換空缺選項。例學生問卷調(diào)查表中如果有某條記錄的“電腦基礎”、“是否宿舍有電腦”等信息為空時，可以綜合該班其他學生的該項平均值記錄來進行人工填補；如果存在無法填補或有較大錯誤的記錄，可以直接刪除，例如缺考學生的數(shù)據(jù)、未提交問卷調(diào)查的學生數(shù)據(jù)。

第四，數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)清理之后，要把數(shù)據(jù)轉(zhuǎn)換以成數(shù)據(jù)挖掘所需要的形式。在收集到的數(shù)據(jù)中，很多類別的數(shù)據(jù)都很具體，如平時考勤信息、作業(yè)完成情況、模擬考試成績、CCT成績等，對于挖掘過程來說工作量過大，需要將數(shù)值泛化為離散的區(qū)間來處理有些數(shù)據(jù)之間存在語義模糊，需要進行信息缺陷處理，得到規(guī)范的數(shù)據(jù)表述。

考試分數(shù)。由于成績細分表中各章的分數(shù)占比都不同，為統(tǒng)一標準需進行百分制轉(zhuǎn)換，轉(zhuǎn)換的公式為：各章轉(zhuǎn)換得分=（各章得分÷各章總分）×100。接下來對所有分數(shù)離散化處理，按照以下五個等級劃分成績：0-44分為差，45-59分為較差，60-74為中等，75-84分為良好，大于等于85分為優(yōu)秀。

考勤信息、作業(yè)完成情況。對以考勤信息、作業(yè)完成情況這類以次數(shù)表達的信息，也可按完成情況進行離散化處理并劃分成五個等級。

興趣愛好。興趣愛好屬于字典項數(shù)據(jù)，如果按學生所填信息將很難處理，將這一項目也泛化處理為五大類，包括閱讀、運動、藝術(shù)、上網(wǎng)、游戲。

（2）進行數(shù)據(jù)挖掘

本次挖掘的目的是從參加CCT成績的合格和不合格兩大類中去找出各類的重要影響因素和有用規(guī)則，采用了決策樹的CRT算法。具體實現(xiàn)時，使用SPSS軟件把數(shù)據(jù)調(diào)入分析系統(tǒng)，設置CCT考試成績評價為因變量，設置其他經(jīng)過預處理的數(shù)據(jù)為自變量。采用隨機拆分樣本抽取數(shù)據(jù)方式，隨機抽取出80%的數(shù)據(jù)作為訓練樣本使用，剩余的20%數(shù)據(jù)作為檢驗樣本?；诒狙芯康臄?shù)據(jù)樣本集和挖掘的需要，在最小個案數(shù)中，父節(jié)點最小設為60，子節(jié)點最小設為25，通過軟件分析系統(tǒng)輸出訓練樣本的決策樹。

（3） 數(shù)據(jù)分析評價

對得到的訓練樣本決策樹進行分析，可以看出盡管學生信息復雜，存在較大差異，但不合格學生的決策樹模型具有一定相似性，表現(xiàn)為宿舍里沒有電腦、出勤率差、平時成績差、學習習慣不好、EXCEL得分差、喜歡玩游戲。宿舍里有電腦、出勤率高、EXCEL得分優(yōu)秀、業(yè)余愛好閱讀的學生合格率高。Excel題為關(guān)鍵性題型，Excel學習情況的好壞對通過與否影響較大。此結(jié)論對教師教學來說具有較強的指導意義。

實際操作中，對訓練樣本和檢測樣本進行測試，得到的分類準確率分別為86%和81%，處于合理區(qū)間范圍，對教學具有一定的指導意義。

構(gòu)建決策樹反饋的評價模型風險表如下表所示：

評價模型風險表

從風險表的反饋數(shù)據(jù)來看，訓練樣本模型將不合格誤判為合格的個案錯判率為9.6%；檢測樣本模型的個案錯判率為10.8%。構(gòu)建的模型風險可以接受，處于良好可控范圍，從技術(shù)層面上講，說明本研究采用決策樹CRT算法是可行的。訓練樣本建立模型的標準誤差為0.012，檢測樣本建立模型的標準誤差為0.016，根據(jù)偶然誤差的高斯理論，結(jié)合概率統(tǒng)計相關(guān)的知識，上述誤差值處于低位，說明系統(tǒng)在構(gòu)建的模型時，具有一定的可靠性。

總之，數(shù)據(jù)挖掘技術(shù)是一種數(shù)據(jù)的深層次分析方法，通常通過長期對數(shù)據(jù)庫進行研究和開發(fā)才可獲得成果。人類往往只使用到低層次的簡單查詢操作，通過數(shù)據(jù)挖掘可以提高到從數(shù)據(jù)中挖掘有價值信息，提供分析預測依據(jù)、干預決策支持等高級應用中來。將其運用到CCT成績分析后，能提高工作效率，在預測學生通過情況時具有較高的準確率，風險程度處于良好可控范圍。需要注意的是，教師在利用該方法分析學生成績時應注重數(shù)據(jù)挖掘流程的設計安排，特別著重于選擇對挖掘有用的數(shù)據(jù)資源，以保證結(jié)果真實可靠。

［1］毛國軍.數(shù)據(jù)挖掘原理與算法［M］.北京：清華大學出版社，2005

［2］Jiawei Han，Micheline Kamber.數(shù)據(jù)挖掘概念與技術(shù)［M］.北京：機械工業(yè)出版社，2001

［3］劉志嫵.基于決策樹算法的學生成績的預測分析［J］.計算機應用與軟件，2012

［4］曾 旭，司馬宇.一種基于ID3的計算機等級考試成績分析方法［J］.遵義師范學院學報，2013

［5］陳瀟瀟.數(shù)據(jù)挖掘技術(shù)在高校學生成績分析中的應用研究［J］.科技風，2013

［6］吳鐵洲，曾藝師.決策樹分類算法在教學評估中的應用［J］.中國高等教育評估，2013

ISSN2095-6711/Z01-2015-10-0247