基于三層數(shù)據(jù)挖掘和遺傳算法的大學(xué)生體質(zhì)評價(jià)模型

陳興 馬致明

摘要：針對現(xiàn)存的大學(xué)生綜合體質(zhì)評價(jià)模型在不均衡數(shù)據(jù)集下泛化能力受限問題，提出了一種基于三層數(shù)據(jù)挖掘和遺傳算法的體質(zhì)評價(jià)模型。從身體形態(tài)、身體素質(zhì)和身體機(jī)能三個(gè)方面出發(fā)，構(gòu)建了包含八個(gè)測量指標(biāo)的學(xué)生體質(zhì)評價(jià)指標(biāo)體系。依照評價(jià)指標(biāo)采集相關(guān)數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)中的K-means、Apriori和ACI構(gòu)建三層數(shù)據(jù)挖掘結(jié)構(gòu)，基于遺傳算法優(yōu)化過程對指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練，輸出學(xué)生體質(zhì)評價(jià)結(jié)果。與近年來在體質(zhì)預(yù)測研究中相對優(yōu)異的3個(gè)模型作為基準(zhǔn)模型進(jìn)行對比，實(shí)驗(yàn)結(jié)果表明，該模型能夠有效地提高泛化能力，宏F1、準(zhǔn)確率分別達(dá)到81.73%、89.47%，均優(yōu)于基準(zhǔn)模型。

關(guān)鍵詞：大學(xué)生體質(zhì)預(yù)測;不均衡數(shù)據(jù)集;三層數(shù)據(jù)挖掘;ACI算法;遺傳算法

中圖分類號：TP311;G804.49 ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）05-0017-03

1 引言

目前，我國學(xué)生體質(zhì)健康面臨著不斷下滑的嚴(yán)峻形勢，黨和國家高度重視學(xué)生體質(zhì)健康，利用簡單的測量指標(biāo)判斷學(xué)生體質(zhì)狀況，有助于進(jìn)一步調(diào)整干預(yù)措施[1]，改善學(xué)生體質(zhì)狀況，達(dá)到體質(zhì)監(jiān)測的目的。因此，構(gòu)建精度高、穩(wěn)定性強(qiáng)的學(xué)生體質(zhì)評價(jià)模型具有十分重要的意義。

數(shù)據(jù)挖掘技術(shù)能夠在海量的、含噪的、缺失的數(shù)據(jù)集中發(fā)現(xiàn)隱藏在數(shù)據(jù)中的規(guī)律[2]，且遺傳算法作為一種高效的全局搜索方法，在組合優(yōu)化方面表現(xiàn)出色[3]，可有效解決普遍使用單一數(shù)據(jù)挖掘技術(shù)在不均衡數(shù)據(jù)集下模型泛化能力受到限制的問題[4-6]?；诖耍疚奶岢隽嘶谌龑訑?shù)據(jù)挖掘和遺傳算法的體質(zhì)評價(jià)模型，為大學(xué)生體質(zhì)預(yù)測提供了新的思路和方法。

2 基于數(shù)據(jù)挖掘和遺傳算法的體質(zhì)評價(jià)模型構(gòu)建

2.1 相關(guān)術(shù)語

設(shè)數(shù)據(jù)集的屬性集合A={ ai | i=1，2，3，…，n}，ai∈{ vij | j=1，2，3，…，m}，其中vij是屬性ai的值。

項(xiàng)：由屬性和屬性值構(gòu)成，用“ai = vij”表示。

項(xiàng)集：由兩個(gè)及以上個(gè)項(xiàng)組成的集合，如 a1 = v13 ∧ a2 = v21 ∧ a3 = v32。

關(guān)聯(lián)規(guī)則：由兩部分組成，左部和右部均是項(xiàng)或項(xiàng)集，且左部與右部相對應(yīng)的屬性集合互斥，如a1 = v13 ∧ a2 = v21 ∧ a3 = v32 → a4 = v41 ∧ a5 = v51。

關(guān)聯(lián)分類規(guī)則：一種特殊的關(guān)聯(lián)規(guī)則，左部為不包含標(biāo)簽屬性的項(xiàng)或項(xiàng)集，右部為包含標(biāo)簽屬性的項(xiàng)，如a1 = v13 ∧ a2 = v21 → a3 = v32，其中a3為標(biāo)簽屬性。

覆蓋[7]：如果一個(gè)實(shí)例d滿足關(guān)聯(lián)規(guī)則r的限制，即規(guī)則r中的屬性集合是實(shí)例d的屬性集合的子集，且規(guī)則r屬性的取值與實(shí)例d屬性的取值一致，則稱規(guī)則r覆蓋實(shí)例d。

2.2 建立評價(jià)指標(biāo)體系

為了全面地、高精度地對學(xué)生體質(zhì)進(jìn)行評價(jià)，采用《國家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)》[8]（以下簡稱《標(biāo)準(zhǔn)》）要求的評價(jià)指標(biāo)，構(gòu)建由身體形態(tài)、身體素質(zhì)和身體機(jī)能三個(gè)方面的學(xué)生體質(zhì)評價(jià)指標(biāo)體系，如圖1所示。

身體形態(tài)反映生長發(fā)育狀況和體質(zhì)水平的重要方面，身高和體重是最直觀的指標(biāo)。身體素質(zhì)是指人體機(jī)能通過肌肉活動(dòng)所表現(xiàn)出來的基本活動(dòng)能力，是評價(jià)人體運(yùn)動(dòng)能力和健康狀況的重要指標(biāo)，衡量指標(biāo)有50米跑、坐位體前屈、立定跳遠(yuǎn)、800米跑和仰臥起坐。身體機(jī)能是人體在新陳代謝作用下，各器官系統(tǒng)工作的能力，衡量指標(biāo)為肺活量[9]。

綜合評價(jià)分?jǐn)?shù)采用100分制形式，不低于90分為優(yōu)秀，80.0～89.9分為良好，60.0～79.9分為及格，59.9分及以下為不及格。女生體測數(shù)據(jù)（部分）如表1所示。

2.3 三層數(shù)據(jù)挖掘結(jié)構(gòu)

大學(xué)生體質(zhì)測試各項(xiàng)指標(biāo)成績均為非連續(xù)型數(shù)據(jù)點(diǎn)，首先需要將各類指標(biāo)進(jìn)行離散化。考慮到按照《標(biāo)準(zhǔn)》規(guī)定的各指標(biāo)區(qū)間劃分是人為劃定，較難體現(xiàn)數(shù)據(jù)本身的分布特性以及影響挖掘出有效的關(guān)聯(lián)規(guī)則，因此采用無監(jiān)督學(xué)習(xí)中的K-Means均值聚類算法對源樣本進(jìn)行預(yù)處理，分好對應(yīng)的簇后，按照指定的規(guī)則對各簇中的樣本進(jìn)行編碼，聚類和自編碼后得到樣本庫，完成第一層數(shù)據(jù)挖掘。

然后，利用Apriori關(guān)聯(lián)規(guī)則算法從樣本庫中找到滿足支持度和置信度預(yù)設(shè)條件的強(qiáng)關(guān)聯(lián)分類規(guī)則，完成第二層數(shù)據(jù)挖掘。本文規(guī)則的生成與傳統(tǒng)的Apriori算法有所不同，在生成關(guān)聯(lián)規(guī)則時(shí)，進(jìn)行篩選，若關(guān)聯(lián)規(guī)則是關(guān)聯(lián)分類規(guī)則，則保存;否則，忽略掉。

最后，使用ACI算法[10]構(gòu)建體質(zhì)評價(jià)模型，完成第三層數(shù)據(jù)挖掘。將生成的規(guī)則根據(jù)支持度、置信度按升序進(jìn)行排序之后， ACI根據(jù)每個(gè)類預(yù)先設(shè)定的規(guī)則覆蓋數(shù)閾值，對每條規(guī)則r進(jìn)行遍歷和選擇：遍歷訓(xùn)練集的每個(gè)實(shí)例d，當(dāng)規(guī)則r覆蓋實(shí)例d，規(guī)則r的覆蓋數(shù)加1。若規(guī)則r的覆蓋數(shù)為0，則刪除規(guī)則r;否則，當(dāng)覆蓋實(shí)例d的規(guī)則數(shù)超過其對應(yīng)類的閾值，則刪除實(shí)例d。

2.4 遺傳算法優(yōu)化模型

遺傳算法應(yīng)用十分廣泛，使用遺傳算法優(yōu)化得到結(jié)果不依賴于初始條件，且為全局最優(yōu)解，具有較強(qiáng)的魯棒性。因此，本文使用遺傳算法對三層數(shù)據(jù)挖掘結(jié)構(gòu)中的參數(shù)進(jìn)行優(yōu)化，得到體質(zhì)評價(jià)模型，如圖2所示。

遺傳算法在體質(zhì)評價(jià)模型中優(yōu)化的過程為：首先對初始化參數(shù)進(jìn)行編碼，然后通過選擇、交叉、變異操作產(chǎn)生適應(yīng)度高的個(gè)體，接著進(jìn)行迭代，直至達(dá)到預(yù)定的效果。

1）個(gè)體編碼是遺傳算法解決三層數(shù)據(jù)挖掘結(jié)構(gòu)優(yōu)化問題的第一步，需要根據(jù)參數(shù)特點(diǎn)進(jìn)行設(shè)計(jì)，本文采用十進(jìn)制編碼方式，個(gè)體代表一組最優(yōu)參數(shù)。

2）初始種群生成，本文采用遺傳算法隨機(jī)方式產(chǎn)生初始種群，即三層數(shù)據(jù)挖掘結(jié)構(gòu)優(yōu)化方案的可行解集合，這樣的種群保證了多樣性，有利于獲得模型最優(yōu)的參數(shù)。

3）建立適應(yīng)度函數(shù)，適應(yīng)度函數(shù)決定著種群的進(jìn)化方向，通常使用錯(cuò)誤率作為適應(yīng)度函數(shù)，由于研究的對象是不均衡數(shù)據(jù)集，因此本文在常規(guī)的錯(cuò)誤率計(jì)算中添加了代價(jià)系數(shù)，具體如式（1）所示。

[f=1ni=1nωjIyi=j#] ? ? ? ? ? ? ? ? ? ? ? ?（1）

其中：

[Ix=0， ?x=true1， ?x=false]

式（1）中，n為樣本數(shù)，yi表示預(yù)測結(jié)果，j表示真實(shí)標(biāo)簽，ωj表示標(biāo)簽j預(yù)測錯(cuò)誤的代價(jià)系數(shù)。

4）選擇策略的確定，輪盤賭策略在遺傳算法中常表現(xiàn)出非常好的收斂效果，穩(wěn)定性好，因此本文采用輪盤賭策略選擇部分優(yōu)秀個(gè)體直接進(jìn)入下一代種群。

5）交叉和變異操作的確定，根據(jù)三層數(shù)據(jù)挖掘結(jié)構(gòu)優(yōu)化問題的特點(diǎn)，本文采用均勻分布交叉方式和均勻變異方式。

3 仿真測試的結(jié)果與分析

3.1 數(shù)據(jù)集

本文收集了河南某所大學(xué)2019年和2020年在校女大學(xué)生體測成績，共33220條記錄，其中綜合成績?yōu)閮?yōu)秀有452條記錄，良好有11021條記錄，及格有20785條記錄，不及格有962條記錄。由于實(shí)驗(yàn)數(shù)據(jù)集是不均衡的，用一般隨機(jī)取樣法可能選不出少數(shù)類樣本，因此本文分別從各類的樣本中隨機(jī)選出80%作為訓(xùn)練集，20%作為測試集。

《標(biāo)準(zhǔn)》中未單獨(dú)對體重和身高給出評分，需計(jì)算BMI從而得到體重和身高的評分。實(shí)驗(yàn)中將BIM、肺活量、50米跑耗時(shí)、立定跳遠(yuǎn)、坐位體前屈、800米跑耗時(shí)、一分鐘仰臥起坐均以K-Means聚類算法分為4簇，如表2所示。

3.2 評估準(zhǔn)則

對于不均衡數(shù)據(jù)集訓(xùn)練出來的模型在訓(xùn)練中可能會將少數(shù)類樣本作為噪音，僅使用準(zhǔn)確率作為評估準(zhǔn)則，會表現(xiàn)出假的高性能，且本實(shí)驗(yàn)研究的是多分類任務(wù)，因此采用宏F1（macro-F1）和準(zhǔn)確率（Accuracy）來度量模型的性能，相關(guān)公式如式（2）、式（3）。

[macro-F1=1ni=1nF1i#] ? ? ? ? ? ? ?（2）

[Accuracy=i=1nTPii=1nTPi+FPi#] ? ? ? ? ? ? ? ? ? ? ?（3）

其中，F(xiàn)1i表示第i類的F1值，TPi表示第i類將正例預(yù)測為正例的個(gè)數(shù)，F(xiàn)Ni表示第i類將負(fù)例預(yù)測為正例的個(gè)數(shù)。

3.3 實(shí)驗(yàn)參數(shù)

為產(chǎn)生高質(zhì)量的關(guān)聯(lián)分類規(guī)則候選集，增加收斂速度，提高模型的泛化性能，實(shí)驗(yàn)設(shè)置最小支持度為0.1%，最小置信度為0.6，遺傳算法的種群為30，最大進(jìn)化代數(shù)為50，交叉概率為0.7，變異概率為0.2，收斂趨勢如圖3所示。

分析圖3得到，本文模型在進(jìn)化到12代時(shí)，適應(yīng)度不再發(fā)生變化，遺傳算法完成了模型優(yōu)化。

3.4 實(shí)驗(yàn)分析

為了驗(yàn)證本文模型的有效性，選用近年來在體質(zhì)預(yù)測研究中相對優(yōu)異的3個(gè)基準(zhǔn)模型，模型如下：

1）樸素貝葉斯（Bayes）：由文獻(xiàn)[4]提出的基于樸素貝葉斯分類算法的預(yù)測模型。

2）GA-BP：為提升BPNN模型的性能，文獻(xiàn)[6]提出了基于遺傳算法優(yōu)化的BPNN模型。

3）GABP-AdaBoost：考慮到集成學(xué)習(xí)的AdaBoost算法對訓(xùn)練集中分類錯(cuò)誤的實(shí)例增加權(quán)重，從而提高模型預(yù)測效果，將GA-BP神經(jīng)網(wǎng)絡(luò)作為基分類器，構(gòu)建GABP-AdaBoost 預(yù)測模型。

經(jīng)過實(shí)驗(yàn)，得到了各個(gè)模型的預(yù)測結(jié)果，如圖4所示。

分析圖4能夠得到，本文所提的模型的F1值和準(zhǔn)確率相較于Bayes模型分別提高24.13%和13.57%，明顯優(yōu)于Bayes模型。Bayes模型假設(shè)體質(zhì)評價(jià)指標(biāo)之間是相互獨(dú)立的，忽略了評價(jià)指標(biāo)隱藏的聯(lián)系，而本文提出的模型中K-means聚類和Apriori規(guī)則算法均挖掘出有效的隱藏聯(lián)系，從而使得模型性能顯著提高。

與GABP模型相比，本文所提的模型的F1值和準(zhǔn)確率分別提高24.78%和5.62%，優(yōu)于GABP模型。GABP模型雖擁有強(qiáng)大的擬合能力，但對于不均衡的數(shù)據(jù)集，在訓(xùn)練過程中往往將少數(shù)類的樣本視為噪音處理，使得模型性能降低，ACI算法針對的是不均衡數(shù)據(jù)集問題，因而本文所提的模型性能高。

與GABP-AdaBoost模型相比，本文所提的模型較優(yōu)，F(xiàn)1值和準(zhǔn)確率分別提高7.3%和2.53%。GABP-AdaBoost模型優(yōu)化了GAPB的不足之處，但不能分辨出噪音數(shù)據(jù)，使得噪音數(shù)據(jù)的訓(xùn)練權(quán)重也會加大，致使模型性能下降，本文所提的模型中的三層數(shù)據(jù)挖掘結(jié)構(gòu)能夠分離出噪音數(shù)據(jù)，加之使用遺傳算法優(yōu)化，更是進(jìn)一步提高了模型性能。

4 結(jié)束語

本文提出一種基于三層數(shù)據(jù)挖掘和遺傳算法的體質(zhì)評價(jià)模型，利用數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)學(xué)生體測數(shù)據(jù)中隱藏的規(guī)律，使用遺傳算法優(yōu)化模型參數(shù)，構(gòu)建了體質(zhì)評價(jià)模型，仿真實(shí)驗(yàn)中表現(xiàn)出較高的性能，為大學(xué)生綜合體質(zhì)預(yù)測提供了新的思路和方法。

參考文獻(xiàn)：

[1] 王蛟.基于神經(jīng)網(wǎng)絡(luò)對大學(xué)生體質(zhì)評價(jià)的應(yīng)用研究[C]//陜西省體育科學(xué)學(xué)會.第一屆陜西省體育科學(xué)論文報(bào)告會優(yōu)秀論文集.陜西省體育科學(xué)學(xué)會：陜西省體育科學(xué)學(xué)會，2021：11.

[2] 袁陽春，劉森.基于數(shù)據(jù)挖掘技術(shù)的虛擬企業(yè)審計(jì)風(fēng)險(xiǎn)評估模型[J].微型電腦應(yīng)用，2021，37（9）：103-106.

[3] 劉濤，黃學(xué)功，馬偉佳.基于遺傳算法的MRE隔振器動(dòng)力學(xué)模型識別[J].噪聲與振動(dòng)控制，2021，41（5）：50-57，97.

[4] 杜云梅，劉東.樸素貝葉斯分類算法在大學(xué)生體質(zhì)分析中的應(yīng)用[J].體育學(xué)刊，2018，25（1）：117-121.

[5] 王乃博，黃國梅，吳磊，等.基于BP神經(jīng)網(wǎng)絡(luò)模型的大學(xué)生體質(zhì)綜合測評[J].南昌大學(xué)學(xué)報(bào)（理科版），2016，40（5）：506-510.

[6] 許珊珊，曹冶，崔洪珊.GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測大學(xué)生體質(zhì)的模型構(gòu)建研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2018，32（7）：162-168.

[7] Witten I H，F(xiàn)rank E，Hall M A.Embedded machine learning[M]//Data Mining：Practical Machine Learning Tools and Techniques.Amsterdam：Elsevier，2011：531-538.

[8] 教育部關(guān)于印發(fā)《國家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)（2014年修訂）》的通知[EB/OL].[2021-07-20]. http：//www.moe.gov.cn/s78/A17/twys_left/moe_938/moe_792/s3273/201407/t20140708_171692.html.

[9] 王曉峰，王祥全.大學(xué)生人口身體素質(zhì)變動(dòng)及其問題成因分析[J].人口學(xué)刊，2018，40（2）：86-95.

[10] 崔巍，賈曉琳，樊帥帥，等.一種新的不均衡關(guān)聯(lián)分類算法[J].計(jì)算機(jī)科學(xué)，2020，47（S1）：488-493.

【通聯(lián)編輯：謝媛媛】

收稿日期：2021-11-08

作者簡介：陳興（1994—），男，河南焦作人，碩士，研究方向?yàn)橛?jì)算機(jī)軟件開發(fā)與應(yīng)用;馬致明（1964—），男，教授，碩士，研究方向計(jì)算機(jī)輔助教育、軟件開發(fā)與應(yīng)用。