錢輝煌　朱國華　吳芬

摘要摘要：數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中，通過算法搜索隱藏于其中的信息的過程，通過將數(shù)據(jù)轉(zhuǎn)化為信息，實現(xiàn)數(shù)據(jù)的價值。以江漢大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院學(xué)生為研究對象，通過數(shù)據(jù)挖掘分類預(yù)測分析數(shù)據(jù)信息，以Rapidminer軟件作為分析工具，采用關(guān)聯(lián)分析和神經(jīng)網(wǎng)絡(luò)算法，對成功考研學(xué)生的群體特征進(jìn)行分析，研究學(xué)習(xí)成績、身體素質(zhì)、性別、專業(yè)差別對考研結(jié)果的影響。

關(guān)鍵詞關(guān)鍵詞：數(shù)據(jù)挖掘；關(guān)聯(lián)分析；神經(jīng)網(wǎng)絡(luò)算法

DOIDOI：10.11907/rjdk.162876

中圖分類號：TP391

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）005014303

0引言

“考研熱”已經(jīng)成為一種社會現(xiàn)象，并持續(xù)升溫。為進(jìn)一步了解當(dāng)代大學(xué)生的考研現(xiàn)狀和成功考取研究生的因素，展開此次實驗研究，研究對象為江漢大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院（簡稱數(shù)計學(xué)院）的學(xué)生，通過數(shù)據(jù)挖掘分析，得出哪些因素會影響大學(xué)生成功考取研究生。因收集數(shù)據(jù)量較少，本文將從收集到的數(shù)計學(xué)院2012級學(xué)生的學(xué)習(xí)成績、身體素質(zhì)測試成績、考研錄取情況和基本信息等這些數(shù)據(jù)中，選取大學(xué)四年加權(quán)平均成績、身體素質(zhì)測試成績、性別和專業(yè)差別這幾方面展開分析。

數(shù)據(jù)挖掘是從海量數(shù)據(jù)中發(fā)現(xiàn)有趣模式的過程。作為知識發(fā)現(xiàn)過程，它通常包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)選擇、數(shù)據(jù)變換、模式發(fā)現(xiàn)、模式評估和知識表示這6個方面[1]。其中前4個是數(shù)據(jù)預(yù)處理的不同形式，是為挖掘準(zhǔn)備數(shù)據(jù)，本文將依次介紹本次數(shù)據(jù)挖掘?qū)嶒灥木唧w分析過程。

本次實驗基于Rapidminer 軟件的數(shù)據(jù)分析平臺，將收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理（數(shù)據(jù)清理、數(shù)據(jù)規(guī)約、數(shù)據(jù)集成和數(shù)據(jù)導(dǎo)入）[2]，研究各數(shù)據(jù)項與成功考取研究生的關(guān)系。實驗研究發(fā)現(xiàn)，考研成功除去與學(xué)習(xí)成績相關(guān)外，還與身體素質(zhì)、性別和專業(yè)差別相關(guān)。此次實驗研究結(jié)果可為學(xué)校指導(dǎo)學(xué)生考研提供參考。

1相關(guān)算法

本次數(shù)據(jù)挖掘運用了目前常用數(shù)據(jù)挖掘算法中的兩個算法：關(guān)聯(lián)分析和神經(jīng)網(wǎng)絡(luò)算法。

（1）關(guān)聯(lián)分析（Association Analysis）?，F(xiàn)有的關(guān)聯(lián)分析算法有基于概率相似度的關(guān)聯(lián)方法、基于機器學(xué)習(xí)的關(guān)聯(lián)方法、基于Bayesian分類器的關(guān)聯(lián)方法及基于先決條件的關(guān)聯(lián)方法等?；跈C器學(xué)習(xí)的關(guān)聯(lián)方法只能對存在于線程中的數(shù)據(jù)進(jìn)行關(guān)聯(lián)，無法對未知數(shù)據(jù)進(jìn)行關(guān)聯(lián)，導(dǎo)致最后的分析結(jié)果存在較大誤差。而基于Bayesian分類器的關(guān)聯(lián)方法雖然時效性很好，但關(guān)聯(lián)需要的知識依賴于知識庫，無法獲得計算所需的先驗概率和條件概率[3]。

（2）神經(jīng)網(wǎng)絡(luò)（Neural Network）。人工神經(jīng)網(wǎng)絡(luò)是一種通過模仿生物神經(jīng)網(wǎng)路的工作特征進(jìn)行分布式信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是目前具有非常強大的預(yù)測功能的一種算法模型。一個完整的神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，而每一層都由多個神經(jīng)元組成[4]。

2數(shù)據(jù)預(yù)處理

噪聲是數(shù)據(jù)結(jié)果出現(xiàn)偏差的原因之一，由于采集的數(shù)據(jù)中有噪聲影響因素，因此要對采集到的數(shù)據(jù)進(jìn)行去噪處理，有效的數(shù)據(jù)預(yù)處理可以提高數(shù)據(jù)挖掘?qū)嶒灥臏?zhǔn)確率，經(jīng)過系統(tǒng)導(dǎo)出來的原始數(shù)據(jù)存在不一致、不完整和噪聲，根據(jù)實驗需要，排除其它不良可忽視因素，結(jié)合教學(xué)實踐對學(xué)生數(shù)據(jù)空缺、不一致數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理操作。

本次實驗數(shù)據(jù)源是江漢大學(xué)數(shù)計學(xué)院2012級學(xué)生在校四年加權(quán)平均成績、身體素質(zhì)測試各項成績、考研錄取情況和基本信息?；拘畔⒅邪?個專業(yè)：數(shù)學(xué)與應(yīng)用數(shù)學(xué)、計算機科學(xué)與技術(shù)、網(wǎng)絡(luò)工程。身體素質(zhì)測試項目有：身高、體重、肺活量、50米跑、立定跳遠(yuǎn)、1000/800米跑、坐體前屈、仰臥起坐/引體向上。數(shù)據(jù)庫極易受噪聲、缺失值和不一致的侵?jǐn)_，數(shù)據(jù)庫龐大并且大多數(shù)是來自多個異種數(shù)據(jù)源。低質(zhì)量的數(shù)據(jù)會將導(dǎo)致低質(zhì)量的挖掘結(jié)果，引起數(shù)據(jù)的具體真實性偏差[5]。因此，本次實驗進(jìn)行數(shù)據(jù)預(yù)處理主要為3個方面：一是缺失數(shù)據(jù)（數(shù)據(jù)屬性中部分記錄顯示為空），二是噪聲數(shù)據(jù)，三是重復(fù)數(shù)據(jù)（數(shù)據(jù)屬性相同的記錄）[6]。

本次實驗數(shù)據(jù)預(yù)處理因數(shù)據(jù)量小，故采用Excel進(jìn)行初步簡單處理。首先針對考研錄取情況、身體素質(zhì)測試各項成績、學(xué)習(xí)成績、基本信息4個表將學(xué)號作為關(guān)鍵字整合到1個表中，數(shù)據(jù)收集過程中會有部分?jǐn)?shù)據(jù)不完整，因此需將信息殘缺的元組和與此次實驗無關(guān)的屬性都剔除；其次數(shù)據(jù)要符合算法要求，部分文字表達(dá)的數(shù)據(jù)是不符合的，故將其用數(shù)字來代替，如男、女分別用0、1表示，3個專業(yè)數(shù)學(xué)與應(yīng)用數(shù)學(xué)、計算機科學(xué)與技術(shù)和網(wǎng)絡(luò)工程則分別用0、1、2表示，考研錄取情況用0、1分別表示未錄取和錄取；最后需構(gòu)建一個預(yù)測模型進(jìn)行預(yù)測，需訓(xùn)練數(shù)據(jù)集和預(yù)測數(shù)據(jù)集，故從整合后新生成的數(shù)據(jù)表中隨機抽取10個元組作為預(yù)測數(shù)據(jù)集，其余作為訓(xùn)練數(shù)據(jù)集。這是簡單的數(shù)據(jù)預(yù)處理，后面將會運用關(guān)聯(lián)分析進(jìn)一步對數(shù)據(jù)進(jìn)行處理。

3數(shù)據(jù)挖掘平臺Rapidminer

RapidMiner（前身是Rapid-I，YALE）是一個十分流行的開源數(shù)據(jù)挖掘軟件，近年來變得非常受歡迎，并得到了一個大型社區(qū)的支持。其視覺吸引力、用戶友好的GUI（圖形用戶界面）和基于WiKi的上下文幫助，允許輕松使用和快速學(xué)習(xí)曲線。它有多個擴展提供數(shù)據(jù)和適合于特定的預(yù)定義過程應(yīng)用領(lǐng)域（例如營銷、金融等）和社區(qū)，在RapidMiner“市場”上分享流程非?；钴S。

RapidMiner的一個重要優(yōu)勢是其在過程設(shè)計中的靈活性，通過“過程/子過程”結(jié)構(gòu)和“宏”表示環(huán)境的全局變量，這使得復(fù)雜過程的可視設(shè)計和高水平自動化得以實現(xiàn)。RapidMiner還提供大量的機器學(xué)習(xí)算法，用于預(yù)處理和可視化的工具包括大多數(shù)Weka算子和用于合并定制的R和Python腳本的簡單工具。并且，對深度學(xué)習(xí)方法和一些更先進(jìn)的特定機器學(xué)習(xí)算法（例如，極端隨機樹）的支持目前受到限制，但是可以通過并入R和Python腳本加以解決[7]。

4數(shù)據(jù)建模

4.1數(shù)據(jù)導(dǎo)入

經(jīng)過數(shù)據(jù)預(yù)處理的訓(xùn)練數(shù)據(jù)集導(dǎo)入Rapidminer平臺，在屬性類型設(shè)置時將考研錄取情況屬性類型設(shè)置為Binominal類型，作為實驗預(yù)測對象，如圖1所示。

4.2關(guān)聯(lián)分析

通過關(guān)聯(lián)分析算法對數(shù)據(jù)進(jìn)行建模，調(diào)用Set Role和Correlation Matrix算子得到所需要的關(guān)聯(lián)系數(shù)矩陣，進(jìn)一步對數(shù)據(jù)進(jìn)行處理。本次實驗采集數(shù)據(jù)量較少，故相關(guān)系數(shù)普遍偏小，經(jīng)過多次實驗嘗試，發(fā)現(xiàn)剔除相關(guān)系數(shù)小于0.05的屬性，得到新的數(shù)據(jù)集再通過神經(jīng)網(wǎng)絡(luò)算法建立的預(yù)測模型最為準(zhǔn)確，如圖2所示。

4.3神經(jīng)網(wǎng)絡(luò)模型建立

通過上述關(guān)聯(lián)分析得到相關(guān)系數(shù)，可以在接下來建模時通過調(diào)用Select Attributes算子來選擇合適的屬性（將相關(guān)系數(shù)小于0.05的屬性，如肺活量和坐體前屈屬性剔除）形成新的數(shù)據(jù)集。姓名屬于不相關(guān)屬性但可用來識別元組，因此調(diào)用Set Role算子將其設(shè)置為id屬性用來識別，考研錄取情況屬性為要預(yù)測屬性故將其設(shè)置為Label屬性，最后調(diào)用Neural Net算子建立神經(jīng)網(wǎng)絡(luò)模型，如圖3所示。

4.4模型驗證及預(yù)測

將預(yù)測數(shù)據(jù)集導(dǎo)入Rapidminer平臺中，將其屬性進(jìn)行篩選和設(shè)置，調(diào)用Apply Model算子應(yīng)用神經(jīng)網(wǎng)絡(luò)模型，將其連接全部，如圖4所示。

運行程序得出預(yù)測結(jié)果，對得到的預(yù)測模型進(jìn)行驗證和判斷，預(yù)測數(shù)據(jù)集的學(xué)生考研錄取情況，如圖5所示。

5實驗結(jié)果分析

如圖5所示，從得出的預(yù)測結(jié)果可以看出，預(yù)測結(jié)果的置信度較高，且預(yù)測值與實際值一致，說明該預(yù)測模型較為成功。在作關(guān)聯(lián)分析得出相關(guān)系數(shù)矩陣時，選取多大相關(guān)系數(shù)為合適屬性時不能按常規(guī)方法，因為本次實驗的數(shù)據(jù)量較小，而且數(shù)據(jù)項較少，得出的相關(guān)系數(shù)也較小，所以只能逐個剔除當(dāng)前最小相關(guān)系數(shù)屬性進(jìn)行建模，將結(jié)果一一對比，最后得出保留大于0.05相關(guān)系數(shù)的屬性最為合理。

由圖2可知，四年加權(quán)平均成績的相關(guān)系數(shù)最高且為0.260，呈正相關(guān)，表明學(xué)習(xí)成績對于考研是重中之重?？佳胁粌H是最后一年的沖刺復(fù)習(xí)，同樣要注重大學(xué)四年平時的學(xué)習(xí)和知識積累。

其次身體素質(zhì)成績中的健康成績、立定跳遠(yuǎn)成績、1000米/800米成績相關(guān)系數(shù)都在0.100左右，其中1000米/800米成績相關(guān)系數(shù)是-0.128。驗證那句俗語“身體是革命的本錢”，在備戰(zhàn)考研的同時，不能以犧牲身體為代價，要加強鍛煉，以提高身體的各項基本素質(zhì)，特別是長跑，其相關(guān)系數(shù)在這些身體素質(zhì)測試項目中略高一籌，在考研備戰(zhàn)期間制定一個合理的運動計劃也尤為關(guān)鍵。

再是專業(yè)，其相關(guān)系數(shù)為-0.125，數(shù)據(jù)顯示網(wǎng)絡(luò)工程專業(yè)選擇繼續(xù)攻讀碩士研究生人數(shù)最少，根據(jù)進(jìn)一步調(diào)查了解，更多這個專業(yè)的學(xué)生選擇畢業(yè)后直接找工作，因就業(yè)前景好，而數(shù)學(xué)專業(yè)選擇考研的人數(shù)最多，說明專業(yè)差別和就業(yè)情況也決定是否選擇考研及最后能否成功考取。

最后是性別，從采集的數(shù)據(jù)得知，考研成功的學(xué)生中女生占很大比例，并且其相關(guān)系數(shù)為0.144，說明性別也是成功考取研究生的一個因素，并且在漫長的備戰(zhàn)考研中女生更容易堅持下來并取得成功。

6結(jié)語

本次研究針對采集到的江漢大學(xué)數(shù)計學(xué)院2012級學(xué)生的數(shù)據(jù)，利用關(guān)聯(lián)分析算法對預(yù)處的數(shù)據(jù)作進(jìn)一步處理產(chǎn)生新的數(shù)據(jù)集，提高預(yù)測模型的準(zhǔn)確率，最后運用神經(jīng)網(wǎng)絡(luò)算法得出預(yù)測模型，并用預(yù)測數(shù)據(jù)集進(jìn)行驗證。實驗結(jié)果表明，影響學(xué)生成功考取研究生的因素不僅包括學(xué)習(xí)成績，還與性別、專業(yè)、身體素質(zhì)相關(guān)。最后的預(yù)測模型和驗證也證明，本次實驗結(jié)果具有可參考的準(zhǔn)確性，實驗結(jié)果能夠?qū)W(xué)校輔導(dǎo)員指導(dǎo)學(xué)生考研提供部分依據(jù)和建議。但本次實驗也存在數(shù)據(jù)量偏小、數(shù)據(jù)偏少等方面的不足，以后可收集更多數(shù)據(jù)，進(jìn)一步深入探究，得出更為實質(zhì)性的結(jié)果，提高模型準(zhǔn)確率。

參考文獻(xiàn)參考文獻(xiàn)：

[1]HAN JIAWEI，MICHELINE KAMBER.數(shù)據(jù)挖掘：概念與技術(shù)[M].第3版.北京：機械工業(yè)出版社，2012.

[2]黃炎，王紫玉，黃方亮.數(shù)據(jù)挖掘技術(shù)在高校學(xué)生成績分析中的應(yīng)用與研究[J].蘭州文理學(xué)院學(xué)報：自然科學(xué)版，2016，30（3）：6468.

[3]李燕，曹寶香，馬兆豐，等.關(guān)聯(lián)分析算法在安全管理平臺中的研究與應(yīng)用[J].計算機技術(shù)與發(fā)展，2013，23（10）：107110.

[4]徐京薇，謝人超，黃濤，等.基于神經(jīng)網(wǎng)絡(luò)算法的ICN網(wǎng)絡(luò)傳輸控制研究[J].重慶郵電大學(xué)學(xué)報：自然科學(xué)版，2016，28（4）：539544.

[5]HAN JIAWEI，MICHELINE KAMBER.數(shù)據(jù)挖掘：概念與技術(shù)[M].第3版.北京：機械工業(yè)出版社，2012.

[6]徐俊，夏驕雄，周時強.數(shù)據(jù)斷層分析在廣播電視臺數(shù)據(jù)處理中的應(yīng)用[J].計算機應(yīng)用與軟件，2016，33（9）：40.

[7]SVEN VAN POUCKE，ZHONGHENG ZHANG，MARTIN SCHMITZ，et al.Scalable predictive analysis in critically Ill patients using a visual open data analysis platform[J].Plos ONE，2016，11（1）：421.

責(zé)任編輯（責(zé)任編輯：孫娟）