張雪琴，江帆，席本玉

（西安交通大學(xué)城市學(xué)院，陜西西安 710018）

近些年來，國內(nèi)在校大學(xué)生身體素質(zhì)不斷下降，大學(xué)生的身體健康問題頻發(fā)。根據(jù)2020 年大學(xué)生身體素質(zhì)調(diào)查結(jié)果可知，相較于2010年，大學(xué)生的身體素質(zhì)持續(xù)下降，其中肺活量指標(biāo)下降了近10%，大學(xué)生體質(zhì)健康問題受到多方關(guān)注[1-2]?，F(xiàn)階段我國的大學(xué)生體質(zhì)數(shù)據(jù)處于無序狀態(tài)，難以從中發(fā)掘相關(guān)數(shù)據(jù)的變化規(guī)律[3]。隨著數(shù)據(jù)挖掘技術(shù)的興起，利用數(shù)據(jù)挖掘工具對大學(xué)生體質(zhì)數(shù)據(jù)進(jìn)行挖掘處理，對學(xué)生體質(zhì)健康進(jìn)行測試成為一個(gè)新的發(fā)展方向[4-5]。國內(nèi)基于數(shù)據(jù)挖掘原理對現(xiàn)有體質(zhì)數(shù)據(jù)進(jìn)行了多方探索[6-8]。如采用Clementine12.0 數(shù)據(jù)挖掘軟件挖掘高校學(xué)生體質(zhì)各項(xiàng)指標(biāo)的關(guān)聯(lián)規(guī)則，確定體質(zhì)中影響各項(xiàng)指標(biāo)的因素[9]；應(yīng)用SQL Server 數(shù)據(jù)挖掘服務(wù)發(fā)現(xiàn)大學(xué)生體質(zhì)數(shù)據(jù)中存在的驗(yàn)證性規(guī)則[10]；采用支持向量機(jī)法進(jìn)行學(xué)生身體評價(jià)指標(biāo)的數(shù)據(jù)挖掘，并給出身體狀況評價(jià)結(jié)果，指導(dǎo)大學(xué)運(yùn)動課程的科學(xué)制定等[11-12]。由于我國學(xué)生體質(zhì)測試數(shù)據(jù)量龐大，而數(shù)據(jù)挖掘工具軟件的應(yīng)用較少，尤其缺乏有效的數(shù)據(jù)挖掘算法?；诖?，文中擬對大學(xué)生體質(zhì)測試數(shù)據(jù)進(jìn)行特征分析，并在傳統(tǒng)C4.5 決策樹算法的基礎(chǔ)上，提出一種改進(jìn)的決策樹分類算法，有效降低數(shù)據(jù)計(jì)算量，提升預(yù)測準(zhǔn)確度，并將改進(jìn)算法嵌入大學(xué)生體質(zhì)數(shù)據(jù)監(jiān)測系統(tǒng)，從多維角度實(shí)現(xiàn)對學(xué)生身心狀況的測試和評價(jià)。

1 基于決策樹的數(shù)據(jù)挖掘

1.1 C4.5 決策樹算法

數(shù)據(jù)挖掘是從大量、不完整、模糊的數(shù)據(jù)中提取隱含、未知、可靠信息和知識的過程，具有數(shù)據(jù)量大、離散變量、動態(tài)規(guī)則相關(guān)性的特點(diǎn)[13]。決策樹是以分類為目的的學(xué)習(xí)算法，是數(shù)據(jù)與對象值間的映射關(guān)系，決策樹頂部作為根節(jié)點(diǎn)，所有數(shù)據(jù)集作為起點(diǎn)，根據(jù)屬性來區(qū)分不同的分支節(jié)點(diǎn)，通過分類最終生成葉節(jié)點(diǎn)，由預(yù)測規(guī)則建立決策樹自上導(dǎo)下的路徑，獲得凈現(xiàn)值大于或等于零的概率來進(jìn)行可行性判斷。目前應(yīng)用較為普遍的決策樹算法包括ID3、C4.5、CART 算法等[14-15]。

C4.5 決策樹分類算法在ID3 算法的基礎(chǔ)上進(jìn)行了改良，算法通過信息增益比率量化屬性判別能力。設(shè)S表示以 |S|個(gè)數(shù)據(jù)樣本為依據(jù)的集合，定義n個(gè)不同的類Ci(i=1,2,…,n)，假定類Ci中樣本個(gè)數(shù)為 |Ci|，則樣本分類的期望信息為：

式中，Pi=是任一樣本屬于第i類的概率。若屬性A中具有m個(gè)不同值{x1,x2,…,xm}，則將屬 性A和S劃分為m個(gè)子集{S1,S2,…,Sm}，其 中Sj中樣本在A中具有相同值xj(j=1,2,…,m)。假定子集Sj中屬于第i類樣本的有 |Sij|個(gè)，將A劃分為子集的信息期望為：

分支獲得的信息增益為：

由式（3）可看出，信息期望越小，則信息增益越大。

1.2 改進(jìn)的C4.5算法

C4.5 決策樹算法針對不同屬性的數(shù)據(jù)采用不同方式，對于連續(xù)屬性的數(shù)據(jù)，首先需要進(jìn)行離散化處理，進(jìn)行數(shù)據(jù)段排序后，對不同片段數(shù)據(jù)進(jìn)行處理，這樣會生成大量的多叉樹，導(dǎo)致效率下降[16]，且不能有效地處理訓(xùn)練集體積超過主存容量的情況。因此，對C4.5 決策樹算法數(shù)據(jù)進(jìn)行進(jìn)一步優(yōu)化、精簡處理。

設(shè)數(shù)據(jù)集D中包括兩種屬性：大小分別為y和n的正例集PD和反例集ND，決策樹判定數(shù)據(jù)集的首要條件是掌握一定的信息量，設(shè)掌握的信息量為：

令決策樹根節(jié)點(diǎn)屬性為X，X=(X1,X2,…,Xs)，由X將數(shù)據(jù)集D分為S個(gè)子集X=(D1,D2,…,DS)，各子數(shù)據(jù)集屬性為X，并含有正比例集PD和反比例集ND，則數(shù)據(jù)子集的期望信息為：

由式（4）和式（5）可知，數(shù)據(jù)集D根節(jié)點(diǎn)屬性X的信息熵為：

分裂信息度量為：

確定信息增益率為：

設(shè)訓(xùn)練集S中包括c種屬性，根據(jù)排序方式使分裂的連續(xù)屬性A具有n+l個(gè)不同數(shù)據(jù)段，具有n個(gè)數(shù)據(jù)劃分點(diǎn)，改進(jìn)的算法僅需要計(jì)算最優(yōu)點(diǎn)的信息增益率，即計(jì)算c-l個(gè)劃分點(diǎn)。

2 基于C4.5 算法的體測系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)

2.1 系統(tǒng)結(jié)構(gòu)

選取西北5 所高校在校大學(xué)生體質(zhì)健康數(shù)據(jù)進(jìn)行挖掘分析。相較于傳統(tǒng)數(shù)據(jù)分析，C4.5 算法進(jìn)行數(shù)據(jù)挖掘的過程是一種自動發(fā)現(xiàn)知識的過程，通過數(shù)據(jù)預(yù)處理，采用決策樹算法挖掘并分析觀測數(shù)據(jù)。學(xué)生體質(zhì)健康挖掘主要是解決大數(shù)據(jù)下各用戶群體的體測參數(shù)，獲取具有價(jià)值的數(shù)據(jù)依據(jù)。圖1為數(shù)據(jù)挖掘流程。

圖1 學(xué)生體測數(shù)據(jù)挖掘流程

在系統(tǒng)中，采集的數(shù)據(jù)包括靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)主要是各高校公布的學(xué)生基本信息，動態(tài)數(shù)據(jù)則是歷年學(xué)生體測數(shù)據(jù)。系統(tǒng)管理人員采用Excel 文件，將上報(bào)的數(shù)據(jù)導(dǎo)入MySQL 數(shù)據(jù)庫中，包括學(xué)生的來源信息、體測成績、鍛煉項(xiàng)目等，其中學(xué)號、姓名、年齡構(gòu)成學(xué)生來源信息，而身高體重、肺活量、耐力等級、速度靈敏度則構(gòu)成體質(zhì)健康測試成績。表1 給出了部分學(xué)生體測數(shù)據(jù)信息。

表1 學(xué)生體測項(xiàng)目信息

2.2 數(shù)據(jù)預(yù)處理

后臺數(shù)據(jù)庫通過MySQL 數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲，并直接調(diào)用MySQL 數(shù)據(jù)庫中的Nevicat 對MySQL 工具進(jìn)行操作，以表格的形式存儲數(shù)據(jù)，考慮到MySQL數(shù)據(jù)庫的容量，根據(jù)具體的存儲需求設(shè)置相應(yīng)的數(shù)據(jù)存儲周期。

由于初始采集的數(shù)據(jù)中存在大量不完整、含噪聲的數(shù)據(jù)，因此，根據(jù)系統(tǒng)數(shù)據(jù)挖掘引擎進(jìn)行數(shù)據(jù)預(yù)處理[17]。首先將各類測試項(xiàng)目信息、評價(jià)標(biāo)準(zhǔn)、學(xué)生信息等集成轉(zhuǎn)化為概括性數(shù)據(jù)，對數(shù)據(jù)進(jìn)行屬性分類。在數(shù)據(jù)清理中主要對各類導(dǎo)入系統(tǒng)中的學(xué)生體測成績進(jìn)行處理。以體測總成績?yōu)槔?，將具體的成績劃分為“差”、“良”、“優(yōu)”等類型，將學(xué)生所在學(xué)校表示為i1、i2、i3，將身高、速度靈敏度、肺活量等標(biāo)識為i4、i5、i6，項(xiàng)目依次類推；判斷類型“是”、“否”分別表示為“1”和“0”，根據(jù)不同的類別定義進(jìn)行數(shù)據(jù)處理，并在數(shù)據(jù)處理前刪除存在的重復(fù)數(shù)據(jù)。

2.3 決策樹算法的設(shè)計(jì)

對在MySQL 數(shù)據(jù)庫中保存的各類型參數(shù)，采用改進(jìn)的C4.5 決策樹算法進(jìn)行數(shù)據(jù)挖掘和信息關(guān)聯(lián)。算法原理如圖2所示，首先，求取預(yù)處理數(shù)據(jù)集中連續(xù)屬性的最佳分割點(diǎn)，并計(jì)算各屬性信息增益速率[18]，選擇信息增益速率最大屬性來定義該決策節(jié)點(diǎn)的屬性類型。通過遞歸算法求取節(jié)點(diǎn)屬性可能值對應(yīng)的樣本子集的信息增益率，直到各子集中的數(shù)據(jù)屬于同一類型，生成決策樹。根據(jù)定義類型對生成的決策樹進(jìn)行修剪操作，獲得最優(yōu)決策樹，在最優(yōu)決策樹中提取分類規(guī)則，并進(jìn)行數(shù)據(jù)的重新分類。

圖2 算法原理圖

2.4 算法測試和結(jié)果分析

文中采用C++編程語言實(shí)現(xiàn)算法的編程，將初始采集的大學(xué)生體測原始數(shù)據(jù)導(dǎo)入系統(tǒng)進(jìn)行處理，獲得的最優(yōu)決策樹如圖3 所示。從決策樹中可以看出，影響大學(xué)生身體健康的最大因素為肺活量測試項(xiàng)目，對于肺活量測試失敗的個(gè)體，其中身高和體重成為造成肺活量測試失敗的最大影響因素。肺活量通常反映著人體的身體狀況，對于積極鍛煉的學(xué)生，肺活量相對表現(xiàn)更好，通過平時(shí)的鍛煉，這部分學(xué)生能夠在肺活量測試中獲得更好的成績，而肺活量測試不達(dá)標(biāo)的學(xué)生，身高、體重指標(biāo)也不達(dá)標(biāo)，在這群個(gè)體中普遍存在著肥胖的現(xiàn)象，需要在日常中更注重體育鍛煉。

圖3 學(xué)生體測最優(yōu)決策樹

3 結(jié)論

采用改進(jìn)的C4.5 決策樹算法進(jìn)行數(shù)據(jù)挖掘，建立決策樹來分析影響學(xué)生體測指標(biāo)的因素，跟蹤大學(xué)生身心健康狀況，并有針對性地增強(qiáng)學(xué)生鍛煉積極性。研究獲得的主要結(jié)論有：

1）采用改進(jìn)的信息熵，利用簡化函數(shù)關(guān)系來計(jì)算分裂信息度量，在保證預(yù)測結(jié)果精度的前提下，優(yōu)化信息增益率計(jì)算，通過去除連續(xù)屬性數(shù)據(jù)中非必要劃分點(diǎn)的信息增益率計(jì)算，來提高算法的運(yùn)行效率。

2）建立MySQL 數(shù)據(jù)庫的在校大學(xué)生體測數(shù)據(jù)參數(shù)，引入改進(jìn)的C4.5 決策樹算法進(jìn)行數(shù)據(jù)挖掘，并對西北某5 所高校進(jìn)行實(shí)例驗(yàn)證，結(jié)果表明，肺活量測試項(xiàng)目是影響大學(xué)生身體健康最大因素，其中身高和體重成為造成肺活量測試失敗的最大影響因素。