决策树算法在学生成绩分析中的应用研究(二)

i．否则，新添一个节点标志Generate-tree。

②决策树剪枝过程

当决策树建立时，不可避免地会遇到数据的噪声和数据中的异常值，这些数据属于异常数据。这些异常数据会妨碍决策分析结果。因此，决策树创建好以后要对决策树进行优化，优化就是通过决策树剪枝来完成，优化的目的在于使生成的规则更加准确，同时还可以提高分类和建树的速度和效率。

通常剪枝有两种方法：

事前剪枝：在生成决策树过程中根据给定某种判断标准看是否要生成分枝，若不满足给定的判断标准，则不生成分枝而生成叶节点。

事后剪枝：是在构建好一棵完整的决策树后，剪去多余的分枝。

第二章  决策树模型的构建过程

2.1  挖掘目标的确定

在具体的应用中，以本人2019-2020年度第一学期所讲授的“计算机原理”课程为例， 

目标是2015级的23名学生。依据学生的具体情况分析影响学生考试成绩的因子。希望利用分析结果为未来的教育工作作指导，以此提升学校的教育质量。

2.2  数据采集

依据判断出来的数据分析目标分离出所需的特征数据，接着选取最恰当的数据采集方式，最后把采集到的数据信息存储至数据库里面。

数据采集阶段需要花费较多精力、时间在这上面，假使要分析总结影响学生考试成绩的因子，则需要在教师教学过程中收集一些必要的数据。有些数据能够直接获得，而另一些则需要调查学生才可以获取。

（1）学生的基本信息收集

数据包括学生的学生ID，姓名，性别，专业和班级，可以通过学校的教育管理系统获得以上信息。把这些数据信息保存至学生成绩信息里面，属性有：学生学号、姓名等。具体信息如下所示：

表1  学生成绩信息表

学生编号 姓名 性别 专业 班级

001 谢伟 女 计算机科学与技术 1班

002 李伟 男 计算机科学与技术 1班

003 徐小兮 女 计算机科学与技术 1班

004 张明月 女 计算机科学与技术 1班

005 谢米成 男 计算机科学与技术 1班

005 米启刚 男 计算机科学与技术 1班

006 席妮天 女 计算机科学与技术 1班

… … … … …

（2）向学生调查的数据信息

在实行数据挖掘的时候，除去一些学生的基本信息之外，还需要一些特殊的数据，这些数据体现了每个学生个体学习这门课程的兴趣、计算机的基础程度以及上课出勤率和上机情况。通过创建信息调查表并对在课堂上的学生进行调查，以此来获取信息。需要进行调查信息包含是不是对程序设计有兴趣，班级出勤，计算机课程出勤率以及对计算机的基本掌握程度。

在上课的时候向学生分发并填写调查表，下课后再回收表。由于是在上课的时候填写的调查表，因此不会存在一个人填写很多份的情况。总共有23名学生，除去那些缺勤没有参加调查的学生，一共回收了22份调查问卷。将收集的问卷信息保存在“调查信息统计表”里面。“调查信息统计表”包括了学生ID，对程序设计兴趣程度，出勤率，上机状况以及对计算机的掌握程度。“对程序设计的兴趣程度”属性包含三个属性值，分别是感兴趣、一般以及没有任何兴趣。“出勤”有三个属性值：不缺席，偶尔缺席和从不上课。“上机状况”属性包含三个属性值：常常上机、偶尔上机以及从不上机。“计算机掌握程度”属性包含三个属性值：掌握较好、掌握好以及一般水平。

（3）学生考试成绩信息

学生最终的考试成绩保存在教务系统中，学生分数表的属性包含了学生编号、姓名以及成绩等等。成绩的区间是0至100，区间较大，不适合数据挖掘执行，故将成绩转换成成绩等级，0至59分为“差”；“中”为60至79分；“优秀”为80至100分。下表为学生成绩表。

表2  学生成绩信息表

学号 姓名 成绩

001 谢伟 75

002 李伟 85

003 徐小兮 81

004 张明月 79

005 谢米成 71

005 米启刚 76

006 席妮天 70

… … …

2.3  数据预处理

（1）数据的预处理。

数据预处理在数据挖掘中起着重要的作用。课题中研究的目标模型是针对学生及学习课程的“计算机原理”分数，这些分数以Excel文件的形式存储。

（2）数据的归约。

数据采集结束后需对数据进行集成，将连续数据转换为离散数据，以便于C4.5算法对该类数据进行分析处理。在课题对学生数据进行处理过程中，需要学生成绩集成到数据文件中去，该文件包含诸如生ID、姓名、期中成绩、期末成绩、平均成绩、总成绩之类的属性。首先，我们研究的重点是使用决策树期中及期末成绩中及格率的影响因素。所以，排除了《计算机原理》的测试结果以及课程教师的专业和属性。另外，由于姓名和学生编号这两个属性是相关属性，因此姓名和学生编号之间的关系是对应的并且可以互换，但是姓名可以重复，而学生编号是唯一的，因此只需要保留学生编号，而不包含学生姓名。

在决策树的构造中使用离散值，可简化计算量并保持其结果的简洁性，所以，对成绩库中的数据需要离散化处理。期末考试的总分为100分，而学生通过考试的及格线为60分。 因此，总成绩离散化处理后包含“yes”部分和“no”部分。换句话说，将超过60分的学生分数离散化为“yes”，小于60的分数的学生将离散化为“no”。

平时成绩在总成绩中的占比是60%，总分是60分，依据平时成绩54分以上，60及60分以下；47分以上，53及53分以下；41分以上，47分以下；35分以上，41分以下；35及35分以下这五个等级。把平时成绩分成“Super”“High”，“Mid”，“Low”以及“No”这五个等级。此外，平时成绩由Word，Excel，PowerPoint和学生平时表现情况组成。这四个部分的总分分别是20、20、10和10。把这些分数以及满分的90％，80％，70％以及60％分成“Super”“High”，“Mid”，“Low”以及“No”五个级别。

同时，期末成绩在学生总成绩中的占比是40%，总分是40分，根据期末成绩分数在35分以上，40分以下；31分以上，35分以下；27分以上，31分以下；31分以上，27分及27分以下；23分及23分以下，从高至低依次分成“Super”“High”，“Mid”，“Low”以及“No”这五个级别。

2.4  分类数据挖掘

（1）算法的选择

ID3算法可通过信息增益获取最优属性，该选择标准倾向于选择高价值的属性，高价值的属性并不全是重要的属性。ID3算法对离散属性的处理效果较好，但如果数据库中存在缺值的情况，将不具备很好的处理效果。C4.5算法的分类评价函数采用增益率完成评价过程，并能在样本数量大的情况下筛选处最优的属性，能有效地解决了数值离散问题，对于数据库中存在的缺值可通过该算法进行处理，所以系统在设计过程中使用C4.5算法构建决策树模型

（1）对学生课程表现情况进行调查统计，并将获取的数据导入决策树分析模型中去，最后使用C4.5构建决策树模型。

（2）由测试属性计算信息增益率； 

（3）以增益率为根节点选取的判定依据，增益率大的被筛选出来，并由该值对数据集划分，最终留下一个值时，划分中断，否则进行下一步过程。

（4）对已划分好的的子数据集重复执行（1）（2）步骤；

下图显示了构建决策树模型的过程。

图1  生成决策树模型的流程

第三章  决策树模型评估