張琪琪

摘 要 在大數(shù)據(jù)背景之下，數(shù)據(jù)挖掘技術(shù)已經(jīng)在商業(yè)、金融業(yè)和市場營銷等方面得到了廣泛的應(yīng)用。本文主要介紹了分箱離散化技術(shù)處理連續(xù)數(shù)據(jù)，再使用改進(jìn)C4.5算法去構(gòu)建決策樹，并且利用后剪枝算法進(jìn)行模型優(yōu)化，不僅減少運(yùn)算的時(shí)間，提高運(yùn)算效率，而且增加了模型的準(zhǔn)確性。該方法應(yīng)用于企業(yè)員工培訓(xùn)，對影響培訓(xùn)結(jié)果的員工年齡，性別，工齡，試卷難易程度，理論知識的學(xué)習(xí)以及實(shí)操課課時(shí)的安排情況等因素進(jìn)行分析，找到影響培訓(xùn)結(jié)果的關(guān)鍵因素，從而為企業(yè)或者公司制定出合理的培訓(xùn)計(jì)劃，提高員工培訓(xùn)的質(zhì)量，進(jìn)而提升企業(yè)的競爭力。

關(guān)鍵詞 分箱技術(shù) 數(shù)據(jù)挖掘 決策樹 C4.5算法

中圖分類號：TP311.13 文獻(xiàn)標(biāo)識碼：A

0引言

企業(yè)對于員工的培訓(xùn)，不僅能夠提高員工的知識水平和技能要求，而且增加了本企業(yè)所具有的獨(dú)特性，能夠區(qū)別于市場，占據(jù)一定的市場份額，日積月累也會成為本企業(yè)談判的籌碼。培訓(xùn)質(zhì)量的高低又關(guān)聯(lián)到了諸多的因素，例如員工年齡，性別差異，工齡長短，理論知識的學(xué)習(xí)以及實(shí)操課課時(shí)的安排情況等。選取決策樹C4.5算法進(jìn)行深層次的內(nèi)部挖掘，找出關(guān)鍵因素，讓決策制定者可以有明確的方向去努力，從而制定出合理高效的培訓(xùn)方案。

1決策樹

決策樹是一種比喻的說法，因?yàn)槠渖傻男螤铑愃朴谝豢玫沽⒌拇髽?，所以命名為“決策樹”。決策樹是由根節(jié)點(diǎn)，分支，葉節(jié)點(diǎn)組成。對于根節(jié)點(diǎn)而言，它沒有父節(jié)點(diǎn)，只有朝下的各個(gè)子節(jié)點(diǎn)，葉節(jié)點(diǎn)作為最后一層節(jié)點(diǎn)沒有子節(jié)點(diǎn)，在根節(jié)點(diǎn)和葉節(jié)點(diǎn)之外的所有節(jié)點(diǎn)都成為內(nèi)部節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都對應(yīng)一個(gè)數(shù)據(jù)樣本集。根節(jié)點(diǎn)和內(nèi)部節(jié)點(diǎn)都包含有一個(gè)對于屬性的測試，其分支用于將各個(gè)子節(jié)點(diǎn)連接起來，代表測試的結(jié)果，可以根據(jù)測試的結(jié)果將樣本集劃分為多個(gè)子集。每一個(gè)葉節(jié)點(diǎn)對應(yīng)于一個(gè)類別標(biāo)識符，表示對應(yīng)樣本集的類別。

2 C4.5改進(jìn)算法

在計(jì)算信息增益率時(shí)，與ID3算法相比，C4.5算法用信息增益率代替了信息增益，找出其中信息增益率最高的屬性作為測試屬性，把候選樣本集劃分為若干子樣本集，對于每一個(gè)子樣本集用同樣的方法繼續(xù)分割直到不可分割或到達(dá)停止條件為之。

其中A是某一屬性，D是樣本數(shù)據(jù)，v是對應(yīng)于A上測試的v個(gè)輸出，可以用屬性A劃分v個(gè)分區(qū)或者子集。

ID3中計(jì)算信息增益的式子如（2）所示：

（1）

（2）

而在C4.5改進(jìn)算法中，信息增益率代替了信息增益，其中Gain（A）=Grain（A）如下式（3）所示：

（3）

（4）

3分箱離散化技術(shù)在員工培訓(xùn)結(jié)果模型中的應(yīng)用

在C4.5改進(jìn)算法中，對于最佳分裂點(diǎn)的求取，即就是信息增益率最大的點(diǎn)的獲取一般都是要經(jīng)過對于劃分的原始樣本進(jìn)行多次掃描才能得到。假設(shè)對于一個(gè)樣本A，其屬于連續(xù)屬性，首先需要對于A中的值按照升序排列，就其一種比較典型的分裂方式來說，對于給定的A中的v個(gè)值，則需要v-1個(gè)可能的劃分。A的值ai和ai+1之間的中點(diǎn)就應(yīng)該是式子（5）所示：

（5）

這樣分割點(diǎn)就將樣本集劃分為兩個(gè)子集，分別是A≤v和A>v，分別計(jì)算每個(gè)分割點(diǎn)的信息增益率，選擇具有最大信息增益率Gain Ratio（v）的分割點(diǎn)，而在序列v1，v2，…Vn中找到的最接近但又不超過局部閾值v的取值V成為屬性A的分割閾值。按照上述方法求出當(dāng)前候選屬性集中所有屬性的信息增益率，按照這樣的方法，直至對于每個(gè)樣本集不能分割為止。

針對以上方法在找取最佳分割點(diǎn)時(shí)，多次掃描數(shù)據(jù)的問題，提出的分箱離散化技術(shù)，對于樣本數(shù)據(jù)提前進(jìn)行分化處理，按照升序順序后采用等量劃分的思想，將數(shù)據(jù)存放入箱子中，每個(gè)箱子就看做一個(gè)新的樣本點(diǎn)，這個(gè)數(shù)據(jù)的取值就是該箱子中所有數(shù)據(jù)的平均值，在遇到小數(shù)時(shí)采用四舍五入法，將其取整。

假設(shè)某一樣本中的部分?jǐn)?shù)據(jù)如下：

1，2，2，4，4，4，5，6，7，7，7，8，8，10，12，12，14，16，16，17

按照每箱5個(gè)數(shù)據(jù)進(jìn)行分箱操作：

1，2，2，4，4 對應(yīng)的數(shù)據(jù)點(diǎn)是 3

4，5，6，7，7 對應(yīng)的數(shù)據(jù)點(diǎn)是 6

7，8，8，10，12 對應(yīng)的數(shù)據(jù)點(diǎn)是 9

12，14，16，16，17 對應(yīng)的數(shù)據(jù)點(diǎn)是 15

這樣，這個(gè)部分樣本數(shù)據(jù)就變?yōu)榱?，6，9，15。與之前的一大串相比，確實(shí)簡化了數(shù)據(jù)樣本。這樣的操作相較于C4.5算法中尋找最佳分割點(diǎn)的方法要簡便許多，在同樣大的樣本下，經(jīng)過比較，該方法因?yàn)榍捌诘姆窒漕A(yù)處理數(shù)據(jù)之后，減少了許多的噪聲數(shù)據(jù)和冗余數(shù)據(jù)，使得運(yùn)算的速度大大提高，準(zhǔn)確率也更靠近樣本原始數(shù)據(jù)，有所提升。

4結(jié)束語

分箱離散化技術(shù)的應(yīng)用，使得改進(jìn)的C4.5算法在使用性能等各方面更加的良好，改掉了以往C4.5算法在數(shù)據(jù)預(yù)處理階段多次重復(fù)掃描數(shù)據(jù)的情況，減少了資源和時(shí)間的浪費(fèi)。分箱技術(shù)也更簡便快捷，沒有大量復(fù)雜的計(jì)算過程，簡便的計(jì)算就能快速的完成分箱造作，對于信息增益率的求取數(shù)目也大大減少，加快了決策樹的形成。

參考文獻(xiàn)

[1] 董曉娜.A公司人力資源培訓(xùn)體系優(yōu)化研究[D].北京：北京交通大學(xué).2017.

[2] 傅亞莉.數(shù)據(jù)挖掘技術(shù)C4.5算法在成績分析中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2013.

[3] 黃愛輝.基于決策樹算法的考試成績分析系統(tǒng)的研究與開發(fā)[D].長沙：湖南大學(xué)，2008.

[4] 韓家煒，裴健.數(shù)據(jù)挖掘概念與技術(shù)[M].機(jī)械工業(yè)出版社，2012.