決策樹算法在學生就業(yè)方向預測中的應(yīng)用研究

王倩　楊洋　單晴雯　施運梅

摘要：學生管理工作中積累了大量的學生信息，有效地利用這些信息將會給學生工作帶來極大的便利與幫助。以北京某高校計算機學院學生的信息為基礎(chǔ)，利用決策樹算法對已有學生的信息進行分類研究，并通過實例驗證其可行性，開啟學生工作新模式。

關(guān)鍵詞：學生信息；數(shù)據(jù)預處理；決策樹；預測；學生工作

中圖分類號：TP311.51 文獻標識碼：A 文章編號：1009-3044（2018）06-0217-03

教育領(lǐng)域積累了大量的學生信息，例如成績、文體科技活動參加情況以及畢業(yè)發(fā)展狀況等信息，這些信息直接反映了學生在校的學習狀態(tài)、性格特點甚至發(fā)展方向。對學生信息的分析能夠指導教學，引導學生工作者工作的展開，對學生的培養(yǎng)和發(fā)展起到一定的輔助作用。

目前，對學生數(shù)據(jù)的利用主要是對學生成績的簡單分析，例如：對學生成績計算平均學分績點，排名劃分等級線；對修課學分進行統(tǒng)計分析。這類基礎(chǔ)分析主要依賴分析人的經(jīng)驗，而缺乏一個客觀的廣泛的評價標準，在實際中發(fā)揮的效用有限。數(shù)據(jù)挖掘技術(shù)能從大量看似無聯(lián)系的數(shù)據(jù)發(fā)現(xiàn)有用的信息。高等大專類院校學生信息中包含大量有用的信息，對學習成績、文體科技類競賽參加情況以及畢業(yè)后發(fā)展走向進行挖掘能得到許多對學生工作以及就業(yè)指導決策有價值的信息。

在對與此相關(guān)的項目進行調(diào)研分析之后總結(jié)出，對于學生信息的分析，文獻[1-3]只是停留在對學生信息某一方面的具體分析，沒有對學生信息進行總體整合分析，這就有可能導致分析的不夠全面對未來發(fā)展預測的不準確，并且在預測之后沒有對預測的準確率進行估計，這種分析的方法不能確定預測的穩(wěn)定性與準確性。

本項目將對北京某高校計算機學院學生的各項信息進行整合分析，從一個較為完整的角度通過學生的在校信息對學生未來的發(fā)展方向做以預測[5][6]，并且對預測的準確率進行計算，以確保估計的可信度。下面將從學生信息收集與預處理、決策樹的應(yīng)用、結(jié)果分析以及結(jié)束語四部分來進行詳細闡述。

1學生信息收集與預處理

本次研究以北京某高校計算機學院2016、2017屆畢業(yè)生為主要分析對象，采集學生姓名、專業(yè)、學習成績、就業(yè)單位以及是否參與過科研競賽和社團等信息，該數(shù)據(jù)由學院畢業(yè)生指導教師、科研管理教師以及社團管理教師提供，從根本上保證了數(shù)據(jù)的準確性與可靠性。

收集到的數(shù)據(jù)大多是以Excel形式進行存儲，這些表格在維度、標準上有較大的差異，因此需要對數(shù)據(jù)進行預處理：

1）數(shù)據(jù)清洗：通過填寫缺失值，光滑噪聲數(shù)據(jù)、刪除重復數(shù)據(jù)、解決不一致性來“清理”數(shù)據(jù)；

2）數(shù)據(jù)轉(zhuǎn)換：收集到的數(shù)據(jù)有一部分是和本項目是不相關(guān)，是冗余的，減少不相關(guān)數(shù)據(jù)對數(shù)據(jù)挖掘的影響是至關(guān)重要的。

3）數(shù)據(jù)規(guī)約：數(shù)據(jù)經(jīng)過前面的步驟之后已經(jīng)基本符合要求，但還需要經(jīng)過規(guī)約對數(shù)據(jù)進行最后一步的規(guī)范，使數(shù)據(jù)量減少，讓挖掘的工作量達到更高的效率。

4）數(shù)據(jù)分類：數(shù)據(jù)的分類是為了算法能夠更好地處理數(shù)據(jù)。學生的專業(yè)分為三種：計算機科學與技術(shù)、網(wǎng)絡(luò)工程、軟件工程，為了更為方便的表示，將計算機科學與技術(shù)設(shè)為1，軟件工程設(shè)為2，網(wǎng)絡(luò)工程設(shè)為3。成績按照優(yōu)秀、良好、中等、合格、不合格，對應(yīng)為1、2、3、4、5五個等級。其他數(shù)據(jù)按照類似的方法進行整理。

按表1的處理規(guī)則對數(shù)據(jù)處理后，得到如圖1所示的分類圖：從左到右分別表示專業(yè)分類、競賽、社團、必修課平均成績、以及就業(yè)單位。

2決策樹的應(yīng)用

決策樹算法是數(shù)據(jù)挖掘算法中一種典型的分類方法，首先對數(shù)據(jù)進行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進行分析。決策樹的構(gòu)造可以分為兩部分，第一部分是構(gòu)建決策樹，即通過訓練數(shù)據(jù)集產(chǎn)生符合實際需求的數(shù)據(jù)集，第二部分是通過對已經(jīng)產(chǎn)生的決策樹進行修剪的過程。主要是用訓練數(shù)據(jù)集對決策樹進行測試，將對預測結(jié)果平衡性的分枝減掉。

在本研究中決策樹的應(yīng)用主要思想是通過使用決策樹算法對收集數(shù)據(jù)預處理后得到訓練數(shù)據(jù)集進行分析建模，然后利用所見模型對未知數(shù)據(jù)進行預測。預測的好壞的衡量主要體現(xiàn)是預測的準確程度，因此在利用決策樹實現(xiàn)分類預測功能的基礎(chǔ)上，我們增加了獲得預測準確率的方法，從而檢驗預測結(jié)果的準確程度。

具體實現(xiàn)分為兩個步驟，第一步是先將構(gòu)建決策樹的數(shù)據(jù)和預測數(shù)據(jù)導入并加載，調(diào)用weka jar包中的決策樹算即i48算法形成決策樹，然后會根據(jù)決策樹的路徑做出最優(yōu)路徑，遍歷數(shù)據(jù)對數(shù)據(jù)進行預測，得到結(jié)果后將預測結(jié)果寫到文件中，具體實現(xiàn)過程如圖2所示：

第二步是對決策樹的準確率進行測試驗證，從收集到的北京某高校計算機學院2016、2017屆畢業(yè)生的數(shù)據(jù)即訓練數(shù)據(jù)集中隨機抽取部分數(shù)據(jù)作為測試數(shù)據(jù)，將構(gòu)建決策樹和測試數(shù)據(jù)導入并加載。通過i48算法構(gòu)建好決策樹，來預測測試數(shù)據(jù)結(jié)果，將測試數(shù)據(jù)結(jié)果和真實結(jié)果進行對比，統(tǒng)計預測結(jié)果準確數(shù)據(jù)個數(shù)和測試數(shù)據(jù)總個數(shù)，來得到準確率。具體實現(xiàn)過程如圖3所示：

3結(jié)果分析

經(jīng)過對預處理的數(shù)據(jù)決策樹算法分析之后，得到如圖4的數(shù)據(jù)決策樹，由此圖可得出以下分類規(guī)則：

1）成績>90的同學，將會選擇攻讀研究生；

2）成績在80-90的同學，專業(yè)在計算機科學與技術(shù)且未參加競賽的同學會選擇科技類公司，參加競賽的同學會選擇攻讀研究生而專業(yè)在軟工和網(wǎng)工的同學則將會選擇在科技類公司工作；

3）成績在70-80的同學，專業(yè)在網(wǎng)工的同學且未參加過競賽的同學會選擇科技類公司作為發(fā)展方向，參加過競賽的同學將會選擇非科技類公司，而計算機科學與技術(shù)和軟件工程的同學則更傾向于選擇科技類公司。

4）成績在60-70的同學，專業(yè)在計算機科學與技術(shù)和網(wǎng)絡(luò)工程的同學會選擇科技類公司，軟件工程的同學會選擇非科技類公司。

5）成績在60以下的同學，參加過社團的同學會選擇非科技類公司，未參加過社團的同學會選擇科技類公司。

根據(jù)訓練數(shù)據(jù)集中學生三種工作類型location_l：location_2：10cation3=51：82：199的比例隨機選取測試數(shù)據(jù)集26條（如圖4測試數(shù)據(jù)），使用上述方法，得到預測結(jié)果（如圖5），最后一列即為預測的學生工作類型。將得到的預測數(shù)據(jù)結(jié)果（如圖5）與真實數(shù)據(jù)（如圖6）進行準確率的對比，準確率達到0.846，證明本研究具有較高的準確率和可信任度。

4結(jié)束語

本研究利用數(shù)據(jù)挖掘技術(shù)中的決策樹算法對學生信息分析之后進而得到?jīng)Q策樹模型，通過對模型得到的分類規(guī)則，實現(xiàn)幫助學工老師指導學生就業(yè)的同時，也幫助學生就業(yè)時對自己有一個較為準確的定位，幫助學校和學生樹立責任意識和危機意識，實現(xiàn)各方努力，提高畢業(yè)生的實際就業(yè)問題。通過實踐驗證，本研究對學生就業(yè)具有一定的指導意義和實用價值，具有較高的準確率和可信任度，但由于目前收集到的數(shù)據(jù)有限，數(shù)據(jù)分布不均衡，使得結(jié)果預測仍有誤差，提高結(jié)果預測的準確性將是筆者接下來的研究重點。筆者將收集更多樣化的數(shù)據(jù)集，實踐更多數(shù)據(jù)挖掘的分析算法，使研究成果更加具有實用性的價值。