基于K-means融合決策樹分類算法的學(xué)生表現(xiàn)評價模型構(gòu)建

許亞杰，梁靖涵

(鄭州科技學(xué)院 信息工程學(xué)院，河南 鄭州 450000)

0 引言

青少年是祖國的未來，是黨和國家事業(yè)的接班人，正處于學(xué)習(xí)基礎(chǔ)知識、認(rèn)識世界的關(guān)鍵時期。研究表明，青少年時期的表現(xiàn)對青少年以后的人生有著深遠(yuǎn)的影響，因此，教育者應(yīng)當(dāng)重視學(xué)生表現(xiàn)[1]。目前，國內(nèi)外專家學(xué)者對學(xué)生表現(xiàn)評價的研究已取得了一定的研究進(jìn)展，相關(guān)的理論和實踐性研究成果為本課題形成提供了重要的思想借鑒，但是，專門針對初級中學(xué)生家庭、行為和教學(xué)特征的研究成果尚不多見[2]。然而，初級中學(xué)生正處于是青春發(fā)育的關(guān)鍵期，存在著各式各樣的問題，因此，教育者更要關(guān)注學(xué)生的成長，發(fā)現(xiàn)學(xué)生成長中的隱患，及時調(diào)整學(xué)生狀態(tài)，促進(jìn)學(xué)生全面發(fā)展。

1 K -means數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)集

數(shù)據(jù)集來源于標(biāo)準(zhǔn)測試數(shù)據(jù)集，由加州大學(xué)歐文分校提供，數(shù)據(jù)集名稱為Student Performance。該數(shù)據(jù)集通過使用學(xué)校報告和調(diào)查表進(jìn)行收集，數(shù)據(jù)屬性包括學(xué)生成績、社會和與學(xué)校相關(guān)特征，數(shù)據(jù)集共有395條、33個屬性。

1.2 數(shù)據(jù)探索與數(shù)據(jù)解釋

本文重點研究影響學(xué)生學(xué)習(xí)表現(xiàn)的自身、家庭和學(xué)校因素。為保證數(shù)據(jù)集特征與分析內(nèi)容相關(guān)性，需要對數(shù)據(jù)進(jìn)行初步篩選。經(jīng)過統(tǒng)計分析，總結(jié)出影響學(xué)生的如下因素：(1)在自身因素上，主要考慮健康狀況、是否想要接受高等教育的意愿、是否戀愛；(2)在家庭因素上，家庭大小、父母同居狀態(tài)、家庭關(guān)系質(zhì)量；(3)在學(xué)校因素上，缺勤次數(shù)、每周學(xué)習(xí)時間、課外活動、上網(wǎng)時間、空閑時間等。

為此，本文提取了其中的主要因素對數(shù)據(jù)進(jìn)行匯總，選擇了famsize，Pstatus，studytime，activities，higher，Internet，romantic，famrel，freetime，goout，health和absences等12個屬性作為特征評價指標(biāo)。各屬性及描述如表1所示。

表1 數(shù)據(jù)集的屬性與描述

1.3 數(shù)據(jù)清洗

數(shù)據(jù)清洗主要包括格式標(biāo)準(zhǔn)化、異常數(shù)據(jù)和重復(fù)數(shù)據(jù)清除和錯誤數(shù)據(jù)糾正。通過簡單查詢，可以看到本文所使用的學(xué)生表現(xiàn)數(shù)據(jù)，數(shù)據(jù)的格式包含：數(shù)值型數(shù)據(jù)、字符型數(shù)據(jù)和邏輯數(shù)據(jù)，為保障數(shù)據(jù)分析的有效性，必須對數(shù)據(jù)進(jìn)行規(guī)范化處理。為此，本文對字符型數(shù)據(jù)進(jìn)行編碼，使其轉(zhuǎn)化為數(shù)值型數(shù)據(jù)，其中，對于famsize特征：LE3編碼成0，GT3編碼成1；Pstatus特征：T編碼成0，A編碼成1。對于邏輯型數(shù)據(jù)，通過編碼使其轉(zhuǎn)化成數(shù)值型數(shù)據(jù)，為此，對于特征activities，higher，Internet和romantic的屬性值，TRUE編碼成1，F(xiàn)ALSE編碼成0。

同時，本文對學(xué)生表現(xiàn)數(shù)據(jù)集進(jìn)行異常值檢測并清理。本文選擇G3(最終成績)作為數(shù)據(jù)標(biāo)簽，并查看其數(shù)據(jù)分布。從G3的數(shù)據(jù)分布可以看出，數(shù)據(jù)分布從0～20，可以看出大部分學(xué)生的成績分布在8～15分，小部分的學(xué)生分布在0～7和16～20。其中，對于數(shù)據(jù)集中G1(第一階段成績)、G2(第二階段成績)、G3(第三階段成績)的關(guān)聯(lián)性來看，對于G3為0 的學(xué)生而言，G1和G2很高，而G3為0，說明該學(xué)生G3成績數(shù)據(jù)存在異常，為此，為保障分類的準(zhǔn)確性，將數(shù)據(jù)集中G3為0的38條數(shù)據(jù)進(jìn)行清除，至此，數(shù)據(jù)集共有357條。

1.4 一維數(shù)據(jù)集的K-means聚類

從G3的數(shù)據(jù)分布上可以看到數(shù)據(jù)集成績分布在0～20，等級劃分較為松散，在數(shù)據(jù)集樣本量不大的情況下，不利于數(shù)據(jù)分類預(yù)測，為此，為保障數(shù)據(jù)標(biāo)簽劃分的合理性，本文采用K-means聚類算法，將數(shù)據(jù)劃分成兩類，分別是warning和keeping兩類標(biāo)簽，用0和1代替。

2 決策樹預(yù)測模型的構(gòu)建

針對學(xué)生表現(xiàn)分類，本文利用已有研究結(jié)果，考慮到方法適用性以及理論成熟性，在數(shù)據(jù)挖掘算法中選擇了決策樹分類方法[3]。

決策樹算法包含有ID3，C4.5和 CART樹，其中CART樹又稱為分類回歸樹，既可用于分類，也可用于回歸。當(dāng)數(shù)據(jù)集的因變量是離散值時，可以采用CART分類樹進(jìn)行擬合[4]。本文中，數(shù)據(jù)集特征均為離散型數(shù)據(jù)，且特征較多，適合使用CART樹進(jìn)行分類。

2.1 決策樹建模流程

決策樹建模過程是一個遞歸的過程，基本步驟如下：

(1)首先加載樣本數(shù)據(jù)。

(2)根據(jù)樣本特點，選擇合適的特征選擇標(biāo)準(zhǔn)。

(3)開始將所有記錄看作一個節(jié)點。

(4)根據(jù)特征選擇標(biāo)準(zhǔn)，遍歷每個變量的每一種分割方式，找到最好的分割點。

(5)分割成兩個節(jié)點N1和N2。

輪式機(jī)器人的線速度可通過編碼器獲得，設(shè)兩輪輪距為L，編碼器的線數(shù)為P（輪子轉(zhuǎn)一圈編碼器輸出的脈沖數(shù)），輪徑為D。通過左右編碼器的脈沖頻率fL和fR可以算得左右輪子的線速度為：

(6)對N1和N2分別繼續(xù)執(zhí)行(3)-(5)步，直到每個節(jié)點足夠“純”為止。

(7)生出決策樹模型。

2.2 特征選擇標(biāo)準(zhǔn)

決策樹算法通過大量數(shù)據(jù)集樣本訓(xùn)練，構(gòu)建樹形結(jié)構(gòu)來描述分類規(guī)則。其中，樹形結(jié)構(gòu)是關(guān)鍵，需要確定樹上的每一層的屬性，前提是需要確定特征選擇標(biāo)準(zhǔn)。

對于CART 決策樹算法使用基尼指數(shù)來選擇劃分屬性，基尼值代表了根據(jù)某一特征屬性分類后的數(shù)據(jù)的不純度?；嶂翟叫”硎炯霞兌仍礁撸粗?，集合越不純[5]。

其中，數(shù)據(jù)集D中有K個類，k表示類別；pk表示樣本屬于第k個類別的概率。

對于特征A，將集合D劃分成D1和D2，基尼指數(shù)G(D，A)表示經(jīng)過特征A劃分后集合D的不確定性，公式如下：

其中，∣D∣，∣D1∣，∣D2∣分別表示數(shù)據(jù)集D，D1，D2中樣本數(shù)量。

3 實驗結(jié)果與分析

CART模型在學(xué)生表現(xiàn)分類中的應(yīng)用。具體過程，由于總樣本量共357條，樣本量不大，為提高訓(xùn)練模型的泛化能力，采用K折交叉驗證法，其中k=10，選擇其中285條數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)來進(jìn)行模型擬合，利用剩下72條數(shù)據(jù)作為測試集來進(jìn)行模型預(yù)測，驗證模型準(zhǔn)確率。

在建模方面，通過網(wǎng)格搜索找到最優(yōu)參數(shù)，設(shè)定決策樹模型關(guān)鍵參數(shù)為criterion="gini"，max_depth=3、min_samples_split=25，random_state=0。

通過CART算法對數(shù)據(jù)集進(jìn)行決策樹模型建立，如圖1所示。其中，每一個內(nèi)部結(jié)點特征取值為是和否，左分支是，右分支否。每個節(jié)點第一個屬性表示分割節(jié)點條件，samples 表示這一層分類使用的樣本數(shù)，class表示所屬類別，value中的兩個值分別表示標(biāo)簽為warning和keeping的樣本數(shù)。

圖1 決策樹模型

根據(jù)CART模型可以得到影響學(xué)生表現(xiàn)的重要指標(biāo)以及指標(biāo)內(nèi)容指向。從圖1中可以看出，對學(xué)生表現(xiàn)影響比較大的因素分別是goout，absences，health以及Internet。從根節(jié)點右分支來看，當(dāng)學(xué)生goout次數(shù)大于3.5，且學(xué)生健康指數(shù)大于2.5，學(xué)生曠課次數(shù)大于7次，可以明顯地判定出學(xué)生表現(xiàn)會很差。即對于初中學(xué)生而言，如果出去次數(shù)過多，在身體允許情況下，經(jīng)常曠課，會嚴(yán)重影響學(xué)生表現(xiàn)。因此，在今后學(xué)生管理中，對于學(xué)生家長，要適當(dāng)約束學(xué)生外出次數(shù)，對學(xué)校管理要加強(qiáng)學(xué)生考勤工作，在身體允許情況下，保證出勤次數(shù)，以此來確保學(xué)生有足夠時間投入學(xué)習(xí)，達(dá)到提高成績的目的。

4 結(jié)語

本文采用決策樹算法對學(xué)生表現(xiàn)數(shù)據(jù)集中的famrel，goout，health和absences等12個特征進(jìn)行分析，建立了決策樹CART模型。從決策樹規(guī)則中可以看出，學(xué)生要積極鍛煉身體保證身體健康，家庭方面要合理地限制學(xué)生外出次數(shù)，學(xué)校要嚴(yán)格執(zhí)行考勤制度，確保學(xué)生在健康情況下，要應(yīng)出勤盡出勤，以此來保障學(xué)生的投入學(xué)習(xí)，提高教學(xué)效果，保障教學(xué)質(zhì)量。