數(shù)據(jù)挖掘“預(yù)言”學(xué)生行為

文/林瑤 李洪磊

數(shù)據(jù)挖掘“預(yù)言”學(xué)生行為

文/林瑤 李洪磊

采集和分析學(xué)生的基本信息，可預(yù)測(cè)學(xué)生可能出現(xiàn)的行為，從而有目標(biāo)、有針對(duì)性地實(shí)施干預(yù)措施

學(xué)生群體龐大、多樣性明顯，給學(xué)生管理工作帶來(lái)很大的困難。不過(guò)，目前學(xué)生自然人數(shù)據(jù)、學(xué)習(xí)成績(jī)、操行檔案等在各高校均已不同程度地實(shí)現(xiàn)計(jì)算機(jī)化管理。如此龐大、詳細(xì)的數(shù)據(jù)，為我們利用數(shù)據(jù)挖掘技術(shù)，實(shí)現(xiàn)學(xué)生群體劃分與行為模式識(shí)別奠定了基礎(chǔ)。

由此，我們可以建立較全面的學(xué)生群體行為模式知識(shí)庫(kù)，通過(guò)采集學(xué)生的基本信息，可預(yù)測(cè)學(xué)生可能出現(xiàn)的行為，從而有目標(biāo)、有針對(duì)性地實(shí)施干預(yù)措施，幫助提高高校安全穩(wěn)定的預(yù)警水平，確保正常教學(xué)秩序的正常進(jìn)行。

Clementine常用模塊

我們選擇Clementine軟件作為主要研究工具。Clementine是一個(gè)數(shù)據(jù)挖掘工具平臺(tái)，通過(guò)此平臺(tái)可以采用商業(yè)技術(shù)快速建立預(yù)測(cè)性模型，并將其應(yīng)用于管理活動(dòng)中，從而改進(jìn)決策過(guò)程。Clementine參照行業(yè)標(biāo)準(zhǔn)CRISP-DM模型設(shè)計(jì)而成，可支持從數(shù)據(jù)到更優(yōu)成果的整個(gè)數(shù)據(jù)挖掘過(guò)程。

Clementine的常用模塊包括：

1.分類和回歸樹（C&RT）節(jié)點(diǎn)生成可用于預(yù)測(cè)和分類未來(lái)觀測(cè)值的決策樹。該法在每個(gè)步驟最大限度地降低不純潔度，使用遞歸分區(qū)來(lái)將訓(xùn)練記錄分割為組。

2.CHAID節(jié)點(diǎn)使用卡方統(tǒng)計(jì)量來(lái)生成決策樹，以確定最佳的分割，可生成非二元樹，故有些分割將有多于兩個(gè)的分支。

3.K-Means節(jié)點(diǎn)將數(shù)據(jù)集聚類到不同分組（或聚類）。此法將定義固定的聚類數(shù)量，將記錄迭代分配給聚類，調(diào)整聚類中心，直到進(jìn)一步優(yōu)化模型。作為一種非監(jiān)督學(xué)習(xí)機(jī)制，K-Means節(jié)點(diǎn)并不試圖預(yù)測(cè)結(jié)果，而是揭示隱含在輸入字段集中的模式。

4.廣義規(guī)則歸納法（GRI）節(jié)點(diǎn)可以發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)規(guī)則。

5.主成份分析/因子節(jié)點(diǎn)提供了功能強(qiáng)大的數(shù)據(jù)縮減技術(shù)，以此來(lái)降低數(shù)據(jù)的復(fù)雜性。

6.線性回歸是一種通過(guò)擬合直線或平面以實(shí)現(xiàn)匯總數(shù)據(jù)和預(yù)測(cè)的普通統(tǒng)計(jì)方法，它可使預(yù)測(cè)值和實(shí)際輸出值之間的差異最小化。

表1 學(xué)生信息數(shù)據(jù)統(tǒng)計(jì)

挖掘數(shù)據(jù)潛藏的規(guī)律

本文主要探討學(xué)生信息數(shù)據(jù)中潛藏的知識(shí)和規(guī)律，這里主要討論的是挖掘?qū)W生信息數(shù)據(jù)，從中得出有效結(jié)論。學(xué)生信息數(shù)據(jù)統(tǒng)計(jì)表如表1所示。

數(shù)據(jù)挖掘系統(tǒng)模塊設(shè)計(jì)

學(xué)生管理信息數(shù)據(jù)挖掘系統(tǒng)是在學(xué)生信息數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的基礎(chǔ)上建立的，系統(tǒng)將數(shù)據(jù)從數(shù)據(jù)集市中取出來(lái)，再放入工作站，而后對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)于處理后的數(shù)據(jù)進(jìn)行分析、決策，以各種圖和表的形式顯示數(shù)據(jù)，最后應(yīng)用適當(dāng)?shù)哪Ｐ蛯?duì)數(shù)據(jù)建模，最終挖掘出知識(shí)，并對(duì)得到的知識(shí)進(jìn)行解釋。

數(shù)據(jù)挖掘系統(tǒng)總共分為5個(gè)模塊：

1.數(shù)據(jù)倉(cāng)庫(kù)模塊

該模塊分兩部分：

一部分是事實(shí)表的生成。該部分設(shè)計(jì)了一個(gè)簡(jiǎn)單的目標(biāo)數(shù)據(jù)倉(cāng)庫(kù)(ETL)工具，僅對(duì)數(shù)據(jù)進(jìn)行抽取和裝載，這里需要指定抽取的源IP地址和裝載的目標(biāo)IP地址。為了進(jìn)行學(xué)生畢業(yè)情況的聚類分析，我們單獨(dú)設(shè)計(jì)了一個(gè)自動(dòng)生成各專業(yè)畢業(yè)狀況的工具，這個(gè)工具將根據(jù)選定的專業(yè)自動(dòng)生成該專業(yè)己畢業(yè)學(xué)生的畢業(yè)狀況事實(shí)表；

另一部分是維表和元數(shù)據(jù)的生成與管理。生成各維表的層次關(guān)系表(LevelRelation表)生成各專業(yè)畢業(yè)狀況的工具。

2.項(xiàng)目存儲(chǔ)模塊

每一個(gè)主題挖掘都有一個(gè)項(xiàng)目，因此，系統(tǒng)要能夠新建項(xiàng)目(分類項(xiàng)目和聚類項(xiàng)目)，保存當(dāng)前項(xiàng)目的狀態(tài)(包括各種參數(shù)、各個(gè)數(shù)據(jù)集，事實(shí)表字段)，并打開一個(gè)已存在的項(xiàng)目。項(xiàng)目的名字、所登錄的服務(wù)器的IP地址和登錄的用戶名與密碼均保存在文本文件中，為了防止非法登錄，我們用加密算法對(duì)用戶名和密碼加密。

3.數(shù)據(jù)預(yù)處理模塊

Clementine數(shù)據(jù)挖掘的過(guò)程是：Clementine讀入數(shù)據(jù)；通過(guò)一系列操作運(yùn)行數(shù)據(jù)，把數(shù)據(jù)送到目的地，操作順序被稱為數(shù)據(jù)流，每次操作時(shí)，數(shù)據(jù)流都會(huì)隨著相關(guān)操作發(fā)生變化；最后，目標(biāo)數(shù)據(jù)輸出一個(gè)模型或者可視化的結(jié)果。

現(xiàn)實(shí)世界中的數(shù)據(jù)不完整、不明確（模糊），含有很多“雜質(zhì)”，而數(shù)據(jù)預(yù)處理技術(shù)可以改進(jìn)數(shù)據(jù)質(zhì)量。本系統(tǒng)的數(shù)據(jù)預(yù)處理包含如下內(nèi)容：數(shù)據(jù)清洗、數(shù)據(jù)離散化、樣本抽樣、概念分層、數(shù)據(jù)數(shù)值化。圖1為對(duì)2007工商管理2班學(xué)生的數(shù)據(jù)按照各個(gè)字段對(duì)輸出字段的重要性的計(jì)算后的排序，從而使42個(gè)字段降解到28個(gè)字段。

4.C4.5算法

C4.5是在ID3基礎(chǔ)上發(fā)展起來(lái)的決策樹生成算法。C4.5算法不僅能處理離散型的描述性屬性，還能夠處理描述性屬性是連續(xù)型的情況，此算法利用比較各個(gè)描述性屬性的信息增益值（Information Gain）的大小，來(lái)選擇Gain值最大的屬性進(jìn)行分類，能夠完成對(duì)連續(xù)屬性的離散化處理，能夠?qū)τ诓煌暾麛?shù)據(jù)進(jìn)行處理，并最終形成產(chǎn)生式規(guī)則。算法的結(jié)果是一棵判定樹，它是由樣本屬性作為節(jié)點(diǎn)構(gòu)成的一棵外向樹，其中非葉節(jié)點(diǎn)由判定對(duì)象屬性組成，葉節(jié)點(diǎn)由分類屬性構(gòu)成。判定樹自根開始按層構(gòu)造，每次選取一個(gè)屬性作為當(dāng)前測(cè)試節(jié)點(diǎn)，節(jié)點(diǎn)選擇通過(guò)信息論中的信息增益的熵值作度量，選擇熵最大的屬性作為當(dāng)前的節(jié)點(diǎn)。

5.建模過(guò)程及結(jié)果分析模塊

該模塊是數(shù)據(jù)挖掘系統(tǒng)的核心，分類算法和聚類算法在這個(gè)模塊中實(shí)現(xiàn)，使用C4.5算法對(duì)數(shù)據(jù)進(jìn)行挖掘，通過(guò)修改算法中的參數(shù)，可以得到不同的挖掘結(jié)果，并在該模塊中對(duì)結(jié)果進(jìn)行分析。系統(tǒng)在實(shí)現(xiàn)數(shù)據(jù)挖掘的過(guò)程中，循環(huán)調(diào)用以上模塊，直至獲取滿意的決策信息為止。

我們運(yùn)用Clementine軟件建立數(shù)據(jù)流后執(zhí)行以上流程，并且以表格的形式輸出結(jié)果，如圖2所示。

圖1 Clementine中的字段選擇數(shù)據(jù)流

圖2 Clementine中的不規(guī)則測(cè)試數(shù)據(jù)流

圖3 決策樹

運(yùn)行結(jié)果分析

我們通過(guò)調(diào)查表采集的原始數(shù)據(jù)包括：學(xué)生學(xué)號(hào)、性別、專業(yè)、年級(jí)、成績(jī)、處分狀況、是否獨(dú)生子女、父母職業(yè)、家庭狀況、經(jīng)濟(jì)狀況、戀愛情況、考勤情況、健康狀況進(jìn)行了問(wèn)卷調(diào)查，一共四個(gè)年級(jí)5000多個(gè)數(shù)據(jù)的統(tǒng)計(jì)。我們選用四個(gè)字段：將學(xué)生性別Sex男（女）轉(zhuǎn)化成數(shù)字01（02），是（否）獨(dú)生子女Only轉(zhuǎn)化成數(shù)字11（12），經(jīng)濟(jì)條件Economy良好（困難）轉(zhuǎn)化成數(shù)字21（22），家庭Family和諧（不和諧）轉(zhuǎn)化成數(shù)字31（32），用Clementine中的C4.5算法模塊進(jìn)行挖掘，最終生成的決策樹如圖3所示。

我們通過(guò)對(duì)派生字段運(yùn)用Clementine軟件進(jìn)行數(shù)據(jù)挖掘后，由最終的生成報(bào)告得出有心理狀況的規(guī)則為：11→01→31→22；11→01→32；11→02→32；12→01→32→22；12→02→32。由此可知，關(guān)系緊張的家庭及單親家庭對(duì)學(xué)生心理影響最為明顯，大學(xué)生需要更多的關(guān)心和愛護(hù)，其次是經(jīng)濟(jì)困難或經(jīng)濟(jì)條件過(guò)好也對(duì)大學(xué)生形成心理問(wèn)題起著不可忽視的影響，需要高校加大對(duì)學(xué)生的理想信念的培養(yǎng)力度。這些結(jié)論對(duì)我們指導(dǎo)學(xué)生工作起到重要的作用，但我們僅選取了其中四個(gè)字段進(jìn)行了分類的挖掘研究，當(dāng)然，還可以選取更多字段進(jìn)行進(jìn)一步的聚類、關(guān)聯(lián)分析算法的探討。

學(xué)生信息系統(tǒng)中含有大量有待挖掘的有用信息，這些信息對(duì)校方更好地制定學(xué)生培養(yǎng)計(jì)劃無(wú)疑具有重要的指導(dǎo)意義。本文通過(guò)在學(xué)生信息管理系統(tǒng)中的具體實(shí)踐和運(yùn)用，實(shí)現(xiàn)了一個(gè)實(shí)用的學(xué)生信息數(shù)據(jù)挖掘系統(tǒng)，有效提高了學(xué)生管理工作的效率和質(zhì)量，但在學(xué)生行為預(yù)測(cè)方面涉及的面還不夠廣，這對(duì)我們進(jìn)一步深入的研究提出了要求和挑戰(zhàn)。

（作者單位為遼寧師范大學(xué)管理學(xué)院)