论文部分内容阅读
[摘 要] 高校教务管理数据库中储存了海量的数据，如何有效地从这些数据中挖掘潜在的信息，公正、客观地评估高校班主任能力便显得十分重要。将数据挖掘技术应用于高校班主任工作评估中，选取某高校班主任工作数据，采用ID3算法对数据进行分类和提取，构建了高校班主任评估决策树。研究结果可为教学管理部门提供科学合理的决策支持，更好地指导日常教学和管理工作。
[关 键 词] ID3算法；数据挖掘；高校班主任工作评估；决策树
[中图分类号] G647 [文献标志码] A [文章编号] 2096-0603（2016）01-0149-03
班主任工作评估是学校教学管理的重要环节，是评价班主任工作的主要手段。学校在每学期都会对班主任工作进行评价调查，在此过程中，高校教务管理数据库中储存了海量的数据，如何有效地从这些数据中挖掘潜在的信息，公正、客观地评估高校班主任能力，并作出相应决策便显得十分重要。数据挖掘技术作为解决该问题的强有力工具，受到人们的高度关注。目前，广泛应用于各个行业中，随着数据挖掘技术的成熟和应用领域的不断扩展，将数据挖掘技术应用于高校的班主任工作评估中，对于提高学校教学管理水平将起到很好的指导作用。
本文将决策树算法运用到高校班主任工作评估问题中，对某高校班主任评估数据进行分析，采用ID3算法计算不同属性的信息增益，生成高校班主任评估决策树，进而对班主任工作信息进行数据挖掘，评估班主任工作成绩，揭示影响班主任工作成绩各个因素间的关系，为教学管理部门提供决策支持，指导日常教学与管理工作，从而提高整个学校的教学管理水平。
一、ID3算法
1986年Quinlan提出了著名的基于信息熵的决策树分类算法——ID3算法，该算法的核心是在决策树中各级结点上选择属性，用最高信息增益作为结点的测试属性，使得在每一个非叶子结点进行测试时，能获得关于被测试样本集最大的类别信息，使用该属性将样本集分成子集后，系统的熵值最小。期望该非叶子结点到达各后代叶结点的平均路径最短，使生成的决策树平均深度较小，从而提高分类速度和准确率。
ID3决策树算法是一种自顶向下的贪心算法，从根结点开始，依次让信息增益最高的属性作为分裂属性，将数据样本划分为不同的样本子集，每个样本子集构成一个子结点，再对每个子结点进行划分，生成新的子结点，按上述过程一直循环，直到可以将样本准确分类或已经选择完所有的属性，最终生成的决策树每个叶结点都对应一个分类。
ID3算法原理如下：
设S是s个数据样本的集合。假定类标号属性具有m个不同值，定义m个不同类Ci（i=1，……，m）。设si是类Ci中的样本数。对一个给定的样本分类所需的期望信息由下式给出：
二、ID3算法在高校班主任工作评估中的应用
（一）数据预处理
我们在进行挖掘之前必须对数据进行整理和归纳，列出不同类型影响因素，为数据挖掘做好充分准备。对高校班主任工作成绩评估进行分析时需要考虑“班主任总结成绩”“学生测评成绩”“参加例会成绩”“开展班会成绩”及“发表论文成绩”等属性对总成绩的影响，高校班主任工作评估属性如表1所示。除了“发表论文成绩”属性，将班主任属性成绩的所有值按80分以上、70～80分、0～70分划分成“A”“B”“C”3类，总评成绩按85分以上、70～85分、60～70分、0～60分划分为“优”“良”“中”“差”4类。选择某高校26名班主任工作评估的实例作为具体样本，具体情况如表2所示。
（二）2ID3算法建立决策树
1.计算信息增益
对所有属性进行信息增益计算，先计算该样本属性的期望信息（信息熵）。
分析表中数据可知，26名班主任工作评估成绩为优、良、中、差的人数分别为8，6，5，7人。根据公式（1）则有：
由公式（4）计算属性“班主任总结成绩”上分枝将获得的信息增益是：
Gain（班主任总结成绩）=INFO（S）-E（班主任总结成绩）=0.878995
（2）学生测评成绩
学生测评成绩为“A”，“B”，“C”的人数分别为7，8，11人，相应信息熵的计算方法与上文一致：
INFO（A）=0
INFO（B）=1.0613
INFO（C）=0.9457
E（学习测评成绩）=0.7267
Gain（学生）=INFO（S）-E（学生测评成绩）=1.2518
（3）参加例会情况
参加例会情况成绩为“A”，“B”，“C”的人数分别为8，8，10人，相应信息熵的计算如下：
INFO（A）=1.4056
INFO（B）=1.9056
INFO（C）=1.7610
E（参加例会成绩）=1.6961
Gain（例会）=INFO（S）-E（参加例会成绩）=0.2824
（4）开展班会情况
开展班会情况成绩为“A”，“B”，“C”的人数分别为4，9，13人，相应信息熵的计算如下：
INFO（A）=0
INFO（B）=1.3921
INFO（C）=1.4196
E（开展班会成绩）=1.1917
Gain（班会）=INFO（S）-E（开展班会成绩）=0.7868
（5）发表论文情况
发表论文情况成绩为“A”，“B”，“C”的人数分别为9，15，2人，相应信息熵的计算如下：
INFO（A）=1.8366
INFO（B）=1.9219
INFO（C）=1
E（发表论文成绩）=1.8215
Gain（论文）=INFO（S）-E（发表论文成绩）=0.1570
2.决策树构建及分析
根据以上计算得出Gain（学生测评成绩）最大，按照信息最大的原则，选择学生测评成绩为根节点建立决策树，然后对每一颗子树按照以上方法进行递归计算，最终就可得到由ID3算法构造出高校班主任工作评估的决策树如下图所示：
根据图1的决策树，高校班主任可以利用它作为平时工作的参考，例如，班里学生的测评成绩是和班主任的工作评估直接挂钩的，因此，想要成为一个优秀的班主任，学生测评成绩最为重要；另一方面，如果一个班主任的学生测评成绩是“A”，那么他的“开展班会成绩”“参加例会成绩”等属性也不会差，最终其班主任评估成绩为“优”。同时学校方面也可以利用这些隐藏的信息为教学管理部门提供决策，指导日常的教学及管理工作。
三、结论
在目前的数据挖掘研究领域中，决策树算法仍然是应用最为广泛的一种分类模型，相比其他的方法具有计算速度快、分类准确率高等优点。ID3算法是决策树算法的一种典型算法，把ID3算法应用于高校班主任工作评估中，可以全面分析各个因素之间的内在联系，挖掘更多隐藏的信息，从而给予公平、公正、客观的评价标准。学校则可以利用这些隐藏的信息发现有用的价值，为教学管理部门提供决策支持，指导日常教学与管理工作，以崭新的理念、科学的方法引导高校发展，从而提高整个学校的教学管理水平。
参考文献：
[1]袁燕.决策树算法在高校教学评价系统中的应用[J].浙江海洋学院学报：自然科学版，2006，25（4）：440-444.
[2]桂维魁，陈涛，柳洋.基于ID3算法的考试成绩分析决策树的构造[J].天津城市建设学院学报，2008，14（2）：139-141.
[3]李霞.ID3分类算法在银行客户流失中的应用研究[J].计算机技术与发展，2009，19（3）：158-160.
[4]吴珊，赵敏君，黄雅婷，等.ID3决策树在报考中的应用研究[J].电脑知识与技术，2013，9（30）：6705-6709.
[关 键 词] ID3算法；数据挖掘；高校班主任工作评估；决策树
[中图分类号] G647 [文献标志码] A [文章编号] 2096-0603（2016）01-0149-03
班主任工作评估是学校教学管理的重要环节，是评价班主任工作的主要手段。学校在每学期都会对班主任工作进行评价调查，在此过程中，高校教务管理数据库中储存了海量的数据，如何有效地从这些数据中挖掘潜在的信息，公正、客观地评估高校班主任能力，并作出相应决策便显得十分重要。数据挖掘技术作为解决该问题的强有力工具，受到人们的高度关注。目前，广泛应用于各个行业中，随着数据挖掘技术的成熟和应用领域的不断扩展，将数据挖掘技术应用于高校的班主任工作评估中，对于提高学校教学管理水平将起到很好的指导作用。
本文将决策树算法运用到高校班主任工作评估问题中，对某高校班主任评估数据进行分析，采用ID3算法计算不同属性的信息增益，生成高校班主任评估决策树，进而对班主任工作信息进行数据挖掘，评估班主任工作成绩，揭示影响班主任工作成绩各个因素间的关系，为教学管理部门提供决策支持，指导日常教学与管理工作，从而提高整个学校的教学管理水平。
一、ID3算法
1986年Quinlan提出了著名的基于信息熵的决策树分类算法——ID3算法，该算法的核心是在决策树中各级结点上选择属性，用最高信息增益作为结点的测试属性，使得在每一个非叶子结点进行测试时，能获得关于被测试样本集最大的类别信息，使用该属性将样本集分成子集后，系统的熵值最小。期望该非叶子结点到达各后代叶结点的平均路径最短，使生成的决策树平均深度较小，从而提高分类速度和准确率。
ID3决策树算法是一种自顶向下的贪心算法，从根结点开始，依次让信息增益最高的属性作为分裂属性，将数据样本划分为不同的样本子集，每个样本子集构成一个子结点，再对每个子结点进行划分，生成新的子结点，按上述过程一直循环，直到可以将样本准确分类或已经选择完所有的属性，最终生成的决策树每个叶结点都对应一个分类。
ID3算法原理如下：
设S是s个数据样本的集合。假定类标号属性具有m个不同值，定义m个不同类Ci（i=1，……，m）。设si是类Ci中的样本数。对一个给定的样本分类所需的期望信息由下式给出：
二、ID3算法在高校班主任工作评估中的应用
（一）数据预处理
我们在进行挖掘之前必须对数据进行整理和归纳，列出不同类型影响因素，为数据挖掘做好充分准备。对高校班主任工作成绩评估进行分析时需要考虑“班主任总结成绩”“学生测评成绩”“参加例会成绩”“开展班会成绩”及“发表论文成绩”等属性对总成绩的影响，高校班主任工作评估属性如表1所示。除了“发表论文成绩”属性，将班主任属性成绩的所有值按80分以上、70～80分、0～70分划分成“A”“B”“C”3类，总评成绩按85分以上、70～85分、60～70分、0～60分划分为“优”“良”“中”“差”4类。选择某高校26名班主任工作评估的实例作为具体样本，具体情况如表2所示。
（二）2ID3算法建立决策树
1.计算信息增益
对所有属性进行信息增益计算，先计算该样本属性的期望信息（信息熵）。
分析表中数据可知，26名班主任工作评估成绩为优、良、中、差的人数分别为8，6，5，7人。根据公式（1）则有：
由公式（4）计算属性“班主任总结成绩”上分枝将获得的信息增益是：
Gain（班主任总结成绩）=INFO（S）-E（班主任总结成绩）=0.878995
（2）学生测评成绩
学生测评成绩为“A”，“B”，“C”的人数分别为7，8，11人，相应信息熵的计算方法与上文一致：
INFO（A）=0
INFO（B）=1.0613
INFO（C）=0.9457
E（学习测评成绩）=0.7267
Gain（学生）=INFO（S）-E（学生测评成绩）=1.2518
（3）参加例会情况
参加例会情况成绩为“A”，“B”，“C”的人数分别为8，8，10人，相应信息熵的计算如下：
INFO（A）=1.4056
INFO（B）=1.9056
INFO（C）=1.7610
E（参加例会成绩）=1.6961
Gain（例会）=INFO（S）-E（参加例会成绩）=0.2824
（4）开展班会情况
开展班会情况成绩为“A”，“B”，“C”的人数分别为4，9，13人，相应信息熵的计算如下：
INFO（A）=0
INFO（B）=1.3921
INFO（C）=1.4196
E（开展班会成绩）=1.1917
Gain（班会）=INFO（S）-E（开展班会成绩）=0.7868
（5）发表论文情况
发表论文情况成绩为“A”，“B”，“C”的人数分别为9，15，2人，相应信息熵的计算如下：
INFO（A）=1.8366
INFO（B）=1.9219
INFO（C）=1
E（发表论文成绩）=1.8215
Gain（论文）=INFO（S）-E（发表论文成绩）=0.1570
2.决策树构建及分析
根据以上计算得出Gain（学生测评成绩）最大，按照信息最大的原则，选择学生测评成绩为根节点建立决策树，然后对每一颗子树按照以上方法进行递归计算，最终就可得到由ID3算法构造出高校班主任工作评估的决策树如下图所示：
根据图1的决策树，高校班主任可以利用它作为平时工作的参考，例如，班里学生的测评成绩是和班主任的工作评估直接挂钩的，因此，想要成为一个优秀的班主任，学生测评成绩最为重要；另一方面，如果一个班主任的学生测评成绩是“A”，那么他的“开展班会成绩”“参加例会成绩”等属性也不会差，最终其班主任评估成绩为“优”。同时学校方面也可以利用这些隐藏的信息为教学管理部门提供决策，指导日常的教学及管理工作。
三、结论
在目前的数据挖掘研究领域中，决策树算法仍然是应用最为广泛的一种分类模型，相比其他的方法具有计算速度快、分类准确率高等优点。ID3算法是决策树算法的一种典型算法，把ID3算法应用于高校班主任工作评估中，可以全面分析各个因素之间的内在联系，挖掘更多隐藏的信息，从而给予公平、公正、客观的评价标准。学校则可以利用这些隐藏的信息发现有用的价值，为教学管理部门提供决策支持，指导日常教学与管理工作，以崭新的理念、科学的方法引导高校发展，从而提高整个学校的教学管理水平。
参考文献：
[1]袁燕.决策树算法在高校教学评价系统中的应用[J].浙江海洋学院学报：自然科学版，2006，25（4）：440-444.
[2]桂维魁，陈涛，柳洋.基于ID3算法的考试成绩分析决策树的构造[J].天津城市建设学院学报，2008，14（2）：139-141.
[3]李霞.ID3分类算法在银行客户流失中的应用研究[J].计算机技术与发展，2009，19（3）：158-160.
[4]吴珊，赵敏君，黄雅婷，等.ID3决策树在报考中的应用研究[J].电脑知识与技术，2013，9（30）：6705-6709.