基于決策樹算法的招生數(shù)據(jù)挖掘應(yīng)用研究

朱莉萍

（成都文理學(xué)院，四川 成都 610000）

0 引 言

招生工作是各大院校的常規(guī)工作也是最重要的工作之一，對(duì)于民辦高職院校而言，招生工作更是關(guān)乎全校教職工的生計(jì)。報(bào)考率和報(bào)到率是招生人員最為關(guān)心的兩個(gè)因素，也是衡量一個(gè)學(xué)校招生管理水平和成效的重要依據(jù)。利用數(shù)據(jù)挖掘技術(shù)對(duì)招生錄取數(shù)據(jù)進(jìn)行挖掘分析，提煉出影響報(bào)到率的重要因素，進(jìn)行報(bào)到預(yù)測(cè)，將挖掘結(jié)果用于指導(dǎo)招生宣傳和服務(wù)，輔助招生管理決策。

文獻(xiàn)[1]中，作者利用決策樹算法對(duì)不同專業(yè)考生的性別進(jìn)行預(yù)測(cè)，利用貝葉斯算法預(yù)測(cè)每個(gè)專業(yè)的生源省份，得到的預(yù)測(cè)結(jié)果和實(shí)際結(jié)果之間的誤差率較低；文獻(xiàn)[2]中，作者用CHAID 算法構(gòu)建決策樹模型，挖掘出性別同專業(yè)、成績(jī)，生源地同專業(yè)等方面的潛在信息。

1 決策樹算法

決策樹是一種使用非常廣泛的分類技術(shù)。在分類的過程中，用一棵倒置的樹從根節(jié)點(diǎn)開始由上到下逐漸構(gòu)建決策的分支。常見的決策樹算法有ID3、CHAID、CART、C4.5 等。為了確保在決策樹的構(gòu)建過程中每一個(gè)決策分支之間的差異最大，ID3 算法將信息增益作為確定劃分的標(biāo)準(zhǔn)，而C4.5算法將信息增益率作為確定劃分的標(biāo)準(zhǔn)。C4.5 算法是在ID3算法的基礎(chǔ)上改進(jìn)而來的，不僅可以處理離散型數(shù)據(jù)，也能處理連續(xù)性數(shù)據(jù)，因此本文考慮利用C4.5 算法對(duì)招生數(shù)據(jù)進(jìn)行挖掘。下面介紹幾個(gè)概念和公式：

（1）信息熵：表示信息的不確定性，公式定義如下：

（2）屬性分裂后信息熵

假設(shè)屬性有個(gè)離散值，數(shù)據(jù)集合中的元組被劃分為個(gè)子集合D，按照屬性分裂后的信息熵定義為：

（3）信息增益

（4）信息增益率

2 數(shù)據(jù)挖掘準(zhǔn)備

2.1 招生數(shù)據(jù)

本文將某民辦高職院校近三年的招生錄取數(shù)據(jù)作為研究對(duì)象。招生錄取源數(shù)據(jù)從招辦系統(tǒng)導(dǎo)出，屬性很多，包含考生號(hào)、準(zhǔn)考證號(hào)、考生姓名、性別、出生年月、民族代碼、政治面貌代碼、考生科類代碼、畢業(yè)類別代碼、中學(xué)代碼、身份證號(hào)、家庭地址、郵政編碼、專業(yè)志愿、提檔成績(jī)、錄取成績(jī)等幾十個(gè)字段。

2.2 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理階段采用何種方法和技術(shù)需要在充分理解招生業(yè)務(wù)特點(diǎn)、招生數(shù)據(jù)挖掘目標(biāo)和對(duì)源數(shù)據(jù)本身的理解的基礎(chǔ)上進(jìn)行選擇。

2.2.1 數(shù)據(jù)集成

由于高職院校有單獨(dú)招生考試和普通招生考試兩種考試錄取制度，且每年數(shù)據(jù)單獨(dú)存放，因此需要將三年的錄取數(shù)據(jù)合并，增加“錄取方式”字段，填入“單招”和“統(tǒng)招”屬性值。

2.2.2 數(shù)據(jù)清理

招生數(shù)據(jù)中的大部分字段對(duì)挖掘任務(wù)沒有意義，將準(zhǔn)考證號(hào)、出生年月、聯(lián)系電話等字段刪除。“是否報(bào)到”字段是在新生報(bào)到期間手動(dòng)填寫的信息，有幾條空值，去除少數(shù)缺失數(shù)據(jù)，同時(shí)將保留學(xué)籍的數(shù)據(jù)處理為“是”，將退學(xué)的數(shù)據(jù)處理為“否”。將專業(yè)志愿中簡(jiǎn)寫的專業(yè)名稱更改為規(guī)范名稱。

2.2.3 數(shù)據(jù)轉(zhuǎn)換

根據(jù)招生經(jīng)驗(yàn)，生源地對(duì)考生報(bào)到有一定影響，但生源地的類別較多，故按照東西南北方向?qū)⑸吹剡M(jìn)行泛化，轉(zhuǎn)換成川東、川南等6 個(gè)地區(qū)。

同樣，對(duì)眾多的專業(yè)根據(jù)學(xué)校院系劃分進(jìn)行泛化，轉(zhuǎn)換為財(cái)稅金融、公共管理、建筑設(shè)計(jì)等10 個(gè)專業(yè)群。

另外，成績(jī)是連續(xù)的數(shù)據(jù)，且單獨(dú)招生考試和普通招生考試的單科分值等存在較大差異，因此先將考分進(jìn)行標(biāo)準(zhǔn)化，再進(jìn)行離散化，最終將成績(jī)轉(zhuǎn)換為A（優(yōu)良）、B（中等）、C（較差）三個(gè)等級(jí)。

2.2.4 預(yù)處理結(jié)果

對(duì)招生數(shù)據(jù)進(jìn)行預(yù)處理之后的數(shù)據(jù)效果如圖1所示。

圖1 預(yù)處理后的數(shù)據(jù)集

3 建立決策樹

根據(jù)C4.5 算法中的公式（1）～（4），下文計(jì)算招生數(shù)據(jù)中各個(gè)屬性的信息量、信息增益、信息增益率等。

3.1 計(jì)算測(cè)試屬性信息量

招生數(shù)據(jù)集共計(jì)15 526 條，按測(cè)試屬性“是否報(bào)到”分為T 和F 兩類，T=13 125，F(xiàn)=2 401，得到測(cè)試屬性的信息量為：

3.2 計(jì)算各個(gè)屬性的信息量

分別計(jì)算性別、考生類別、成績(jī)、錄取方式、生源地、考生科類、專業(yè)志愿7 個(gè)屬性的信息量如下：

（1）“性別”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為男[7 079，1 289]，女[6 046，1 112]

（2）“考生類別”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為農(nóng)村[10 011，1 936]，城鎮(zhèn)[3 114，465]

（3）“成績(jī)”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為A[2 056，267]，B[9 211，1 633]，C[1 858，501]，同理可得：

Info（A）=0.514 6

Info（B）=0.611 3

Info（C）=0.746

（4）“錄取方式”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為單招[9 831，1 430]，統(tǒng)招[3 294，971]

Info（單招）=0.549 1

Info（統(tǒng)招）=0.773 9

（5）“生源地”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為川東[3 254，642]，川南[2 705，523]，川西[1 770，308]，川北[1 737，298]，川東北[2 969，477]，三州[690，153]

Info（川東）=0.645 6

Info（川南）=0.639 1

Info（川西）=0.605 4

Info（川北）=0.600 9

Info（川東北）=0.580 1

Info（三州）=0.638 8

（6）“考生科類”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為對(duì)口高職[5 650，1 340]，理工[2 417，333]，文史[4 905，670]，藝體[153，58]：

Info（對(duì)口高職）=0.705

Info（理工）=0.532 5

Info（文史）=0.529 9

Info（藝體）=0.848 4

（7）“專業(yè)志愿”屬性各節(jié)點(diǎn)是否報(bào)到的數(shù)據(jù)為財(cái)稅金融[1 028，171]，公共管理[1 476，252]，健康[2 660，591]，建筑設(shè)計(jì)[1 382，202]，教育管理[1 248，211]，汽修[821，189]，數(shù)媒[1 266，227]，通信[878，168]，物流電商[663，124]，信息技術(shù)[1 703，266]：

Info（財(cái)稅金融）=0.591 1

Info（公共管理）=0.599 3

Info（健康）=0.684

Info（建筑設(shè)計(jì)）=0.550 6

Info（教育管理）=0.596 2

Info（汽修）=0.695 4

Info（數(shù)媒）=0.614 9

Info（通信）=0.635 8

Info（物流電商）=0.628 4

Info（信息技術(shù)）=0.571 2

3.3 計(jì)算各個(gè)屬性的信息熵

各個(gè)屬性的信息熵計(jì)算結(jié)果為：

同理：

Info（考生類別）=0.620 3

Info（成績(jī)）=0.617 3

Info（錄取方式）=0.610 9

Info（生源地）=0.620 5

Info（考生產(chǎn)類）=0.613 5

Info（專業(yè)志愿）=0.619 3

3.4 計(jì)算各個(gè)屬性分裂后的信息量

各個(gè)屬性分裂后的信息量為：

同理：

SInfo（考生類別）=0.778 9

SInfo（成績(jī)）=1.184 7

SInfo（錄取方式）=0.848 1

SInfo（生源地）=2.454 4

SInfo（考生科類）=1.575 5

SInfo（專業(yè)志愿）=3.206 2

3.5 計(jì)算各個(gè)屬性的信息增益率

同理：

GainR（考生類別）=0.001 3

GainR（成績(jī)）=0.003 4

GainR（錄取方式）=0.012 3

GainR（生源地）=0.000 3

GainR（考生科類）=0.005

GainR（專業(yè)志愿）=0.000 6

3.6 比較各屬性信息增益率

根據(jù)第（5）步的結(jié)果可知“錄取方式”字段信息增益率最大，故將其作為根節(jié)點(diǎn)，然后分別在單招和統(tǒng)招兩種情況下繼續(xù)計(jì)算其他屬性值的信息熵和信息增益率，將信息增益率相對(duì)最高的屬性作為下一級(jí)分支節(jié)點(diǎn)，不斷重復(fù)以上幾個(gè)步驟，完成各個(gè)分支的劃分，并最終得到是否報(bào)到的完整決策樹。由于生成的完整的決策樹較大不便展示，圖2僅顯示了其中較小一部分。

圖2 決策樹局部

4 生成規(guī)則

決策樹每一條分支的路徑就是一條規(guī)則，由決策樹生成的部分規(guī)則表示如下：

（1）規(guī)則用于“是否報(bào)到”=“F”的5 個(gè)規(guī)則：

規(guī)則1：IF 性別 = 女 and 考生科類 = 對(duì)口高職類 and 提檔成績(jī) = C and 錄取方式 = 統(tǒng)招and 專業(yè) = 物流電商專業(yè)群and 考生類別 = 農(nóng)村 Then F

規(guī)則 ：IF 性別 = 女a(chǎn)nd 生源地 in [ "三州地區(qū)" "川北地區(qū)" "川西地區(qū)" ]

and 考生科類 = 對(duì)口高職類and 錄取方式 = 統(tǒng)招 and 專業(yè) = 信息技術(shù)專業(yè)群Then F

規(guī)則3：IF 生源地 = 川南地區(qū) and 提檔成績(jī) = C and 錄取方式 = 統(tǒng)招

and 專業(yè) = 財(cái)稅金融專業(yè)群 Then F

規(guī)則4：IF 性別 = 男and 考生科類 = 對(duì)口高職類and 錄取方式 = 統(tǒng)招

and 專業(yè) = 物流電商專業(yè)群 Then F

規(guī)則5：IF 考生科類 in[“文史類””理工類”]and 生源地 = 川南地區(qū)and 錄取方式 = 統(tǒng)招and 專業(yè) = 財(cái)稅專業(yè)群and 提檔成績(jī) = C Then F

（2）規(guī)則用于“是否報(bào)到”=“T”的5 個(gè)規(guī)則：

規(guī)則1：IF 考生科類 in [ "文史類" "理工類" ]and 提檔成績(jī) = A Then T

規(guī)則2：IF 考生科類 in [ "文史類" "理工類" ]and 專業(yè) in [ “信息技術(shù)專業(yè)群” “健康專業(yè)群” “公共管理專業(yè)群” “建筑設(shè)計(jì)專業(yè)群” “教育管理專業(yè)群” “數(shù)媒專業(yè)群”“汽修專業(yè)群” “物流電商專業(yè)群” ]Then T

規(guī)則3：IF 考生科類 in[ “文史類” “理工類” ]and提檔成績(jī) = Band 性別 = 男 Then T

規(guī)則4：IF 生源地 in [ “三州地區(qū)” “川東北地區(qū)”“川東地區(qū)” “川北地區(qū)” “川西地區(qū)” ]and 考生科類 in ["文史類" "理工類” ]Then T

規(guī)則5：IF 專業(yè) = 通信專業(yè)群 and 錄取方式 = 單招Then T

5 結(jié) 論

根據(jù)決策樹規(guī)則，對(duì)招生數(shù)據(jù)挖掘模型進(jìn)行測(cè)試，得到預(yù)測(cè)的準(zhǔn)確率為85.91%，得到各因素影響報(bào)到的重要程度排序?yàn)椋轰浫》绞?、專業(yè)志愿、生源地、考生科類、考生類別、性別。

決策樹算法簡(jiǎn)單，建立的樹型結(jié)構(gòu)也容易讓不懂?dāng)?shù)據(jù)挖掘的招生人員看懂，對(duì)報(bào)到情況的預(yù)測(cè)準(zhǔn)確率也滿足需求，挖掘結(jié)果對(duì)招生管理工作有一定的輔助作用，未來可以考慮集合更多數(shù)據(jù)，對(duì)決策樹算法進(jìn)行改進(jìn)，更好地應(yīng)用于招生數(shù)據(jù)挖掘。