馮麗慧　馮立智

摘要：數(shù)據(jù)挖掘技術(shù)自產(chǎn)生以來，己經(jīng)被廣泛應用于多種領域，并得到了充分的驗證，顯示了其重要的經(jīng)濟和社會價值。利用數(shù)據(jù)挖掘技術(shù)快速而準確的提取有價值的教學信息，提高畢業(yè)論文教學質(zhì)量是一項系統(tǒng)工程。研究目的在于探索如何在當前的教學條件下提高學生畢業(yè)論文教學質(zhì)量，及時發(fā)現(xiàn)對教學管理有用的知識，并將這些知識應用于本科學生畢業(yè)論文教學工作實踐中，為學校管理者提供有用的信息，進而獲得更好的管理效益。

關(guān)鍵詞：數(shù)據(jù)挖掘；決策樹；C4.5算法；教學管理；高校教學

中圖分類號：TP391文獻標識碼：A文章編號：1009-3044（2012）30-7150-04

隨著數(shù)字信息化社會的飛速發(fā)展，計算機技術(shù)和數(shù)據(jù)庫管理系統(tǒng)被廣泛應用于科學探索、商業(yè)、金融業(yè)、電子商務、企業(yè)生產(chǎn)等各種行業(yè)，已逐漸發(fā)展成為一種智能管理過程。數(shù)據(jù)挖掘作為一種新興的數(shù)據(jù)分析技術(shù)，它的研究成果取得了令人矚目的成就[1]。利用數(shù)據(jù)庫技術(shù)，通過對教務管理的大量數(shù)據(jù)進行多層次、多維度的加工處理，從而實現(xiàn)人性化管理，為科學決策提供支持。

畢業(yè)論文在教學體系中占有十分重要的位置，是本科生培養(yǎng)計劃中衡量教學質(zhì)量的重要指標。提高畢業(yè)論文教學質(zhì)量是一項系統(tǒng)工程，為研究在當前的教學條件下如何提高畢業(yè)論文教學質(zhì)量，本文采用數(shù)據(jù)挖掘技術(shù)對影響畢業(yè)論文成績管理的多方面因素進行了深入分析和挖掘，以期發(fā)現(xiàn)對學校畢業(yè)論文教學管理有用的知識，將這些知識應用于本科學生畢業(yè)論文教學實踐中，為學校管理者提供有用的信息，進而獲得更好的管理效益，為學校未來的發(fā)展提供更廣闊的空間，發(fā)揮重要的作用。

1 數(shù)據(jù)挖掘簡介

數(shù)據(jù)挖掘（Data Mining），又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge discovery in Database. KDD）[2]，是通過分析每一個具體數(shù)據(jù)，從大量的、有噪聲的、模糊的、隨機的海量數(shù)據(jù)中尋找其規(guī)律的技術(shù)，它是數(shù)據(jù)庫研究中的一個很有應用價值的新領域。

1.1 數(shù)據(jù)挖掘的定義

H包含如下功能：

綜上所述，數(shù)據(jù)挖掘具有三大特點：其一是處理大型數(shù)據(jù)；其二應用數(shù)據(jù)挖掘的目的是發(fā)現(xiàn)未知的、有意義的模式或規(guī)律；其三是一個對大量數(shù)據(jù)處理的過程，有特定的步驟[3]。

1.2 數(shù)據(jù)挖掘的主要方法

數(shù)據(jù)挖掘是一個多學科交叉領域，它由人工智能、機器學習的方法起步，并與統(tǒng)計分析方法、模糊數(shù)學和可視化技術(shù)相融合，以數(shù)據(jù)庫為研究對象，圍繞面對應用，為決策者提供服務。

數(shù)據(jù)挖掘的方法主要可分為六大類：統(tǒng)計分析方法、歸納學習方法、仿生物技術(shù)、可視化技術(shù)、聚類方法和模糊數(shù)學方法。歸納學習法是目前重點研究的方向，本文根據(jù)給定的訓練樣本數(shù)據(jù)集，采用歸納學習法中的決策樹技術(shù)構(gòu)造分類模型，將事例分類成不同的類別。

2 決策樹算法基本理論

2.1 決策樹方法介紹

決策樹[4]方法是以事例學習為基礎的歸納推算法，著眼于從一組無序的，無規(guī)則的事例中推斷出類似條件下會得到什么值這類規(guī)則的方法，它是一種逼近離散值函數(shù)的方法，也可以看作一個布爾函數(shù)[5]。決策樹歸納方法是目前許多數(shù)據(jù)挖掘商用系統(tǒng)的基礎，可以應用于分析數(shù)據(jù)，同樣也可以用來作預測。建模過程中，即樹的生長過程是不斷的把數(shù)據(jù)進行切分，采用“自頂向下，分而治之”的方法將問題的搜索空間劃分為若干個互不交叉的子集，通常用來形成分類器和預測模型。如圖1所示，為決策樹的示意圖。

決策樹一種類似流程圖的樹形結(jié)構(gòu)，是一種知識的表現(xiàn)形式。為了對未知樣本進行分類，生成具體的分類規(guī)則，信息樣本的各個屬性值要在決策樹上進行測試。主要分為兩個階段：在第一階段中生成樹。決策樹最上面的節(jié)點為根節(jié)點，是整個決策樹的開始，然后遞歸的進行數(shù)據(jù)分區(qū)，每次切分對應一個問題，也對應著一個節(jié)點；在第二階段中對樹進行修剪，此過程中去掉一些可能是噪音或異常的數(shù)據(jù)，防止決策樹的過匹配，進而保證生成決策樹的有效性和合理性。當一個節(jié)點中的所有數(shù)據(jù)都屬于同一類別，或者沒有屬性可以再用于數(shù)據(jù)進行分割時，分割工作停止。具體的工作流程如圖2所示。

2.2 C4.5算法

1986年Ross Quinlan首次提出了ID3決策樹算法，它是最早的決策樹算法之一。ID3算法運用信息熵理論，選擇當前樣本中具有信息增益值的屬性作為測試屬性，對樣本的劃分則依據(jù)測試屬性的取值[6]。C4.5算法是在ID3算法基礎上發(fā)展起來的，它繼承了ID3算法的全部優(yōu)點，并增加了新的功能改進了ID3算法中的不足，可以進行連續(xù)值屬性處理并處理未知值的訓練樣本。在應用單機的決策樹算法中，C4.5算法不僅分類準確而且執(zhí)行速度快。

C4.5通過兩個步驟來建立決策樹：第一階段樹的生成，第二階段樹的剪枝。C4.5算法采用信息增益率來記錄字段不同取值的選擇，首先計算各個屬性的信息增益率，尋找到規(guī)則信息的優(yōu)劣，選出信息增益率最大的屬性作為結(jié)點，自頂向下生成決策樹。C4.5算法構(gòu)造決策樹的基本策略如下：

首先計算出給定樣本所需的期望信息，設S為一個包含s個數(shù)據(jù)樣本的集合，對于類別屬性，可以取m個不同取值，分別對應于m個不同的類別[Ci（i∈1，2，...，m）]。假設類別[Ci]中的樣本個數(shù)為[si]，期望信息為：

其中，[Pi]是任意樣本屬于[Ci]的概率，并用[sis]估計。

接著，計算當前樣本集合所需用的信息熵，設一個屬性A具有n個不同的值[（a1，a2，...an）]，利用屬性A可以將集合S劃分為n個子集[S1，S2，...Sn]，其中[Sj]包含了S集合中屬性A取[aj]值的樣本數(shù)據(jù)。如果屬性A被選作測試屬性，設[Sij]為[Sj]中屬于[Ci]類別的樣本集，根據(jù)A劃分計算的熵為：

然后利用屬性A對當前分支結(jié)點進行相應樣本集合劃分計算信息增益：

最后，求信息增益率，表達式為：

C4.5算法的偽代碼如下：

輸入：訓練樣本Samples；目標屬性Target—attribute；候選屬性的集合Attributes

輸出：一棵決策樹

1）創(chuàng)建根節(jié)點root；

2）If Samples都在同一類C Then；

3）返回label=類C的單結(jié)點樹root；

4）If Attributes為空Then；

5）返回單結(jié)點樹root，[label=Samples]中最普遍的Target-Atribute值；

6）Else；

7）For each測試屬性列表Attributes中的屬性；

8）IF測試屬性是連續(xù)的Then；

9）對測試屬性進行離散化處理，找出使其信息增益比率最大的分割閾值；

10）Else；

11）計算測試屬性的信息增益比率；

20）添加子樹Generate Tree C4.5；

21）對已建立的決策樹計算每個結(jié)點的分類錯誤，進行剪枝，并返回根結(jié)點Root。

3 畢業(yè)論文成績管理系統(tǒng)的設計和實現(xiàn)

利用數(shù)據(jù)挖掘技術(shù)對學生的成績數(shù)據(jù)進行提煉，所產(chǎn)生的結(jié)果和信息會對以后的教學管理工作提供有用的信息，進而獲得更好的管理效益。解決問題的重點在于怎樣對學生的畢業(yè)論文成績進行全面且深度的分析，從而挖掘出成績與其他因素之間隱藏的內(nèi)在聯(lián)系。本文采用決策樹技術(shù)挖掘信息時，主要操作步驟如下：

1）確定挖掘來源：清晰地定義挖掘?qū)ο螅鞔_挖掘目標是數(shù)據(jù)挖掘所有工作中重要的一步。本文中應用于挖掘的數(shù)據(jù)信息是畢業(yè)生的畢業(yè)論文成績，旨在通過對大量成績數(shù)據(jù)進行各層次的挖掘，全面了解具體影響學生畢業(yè)論文成績的各方面因素，正確的針對問題擬定分析過程。

2）獲取相關(guān)知識：數(shù)據(jù)是挖掘知識最原始的資料，根據(jù)確定的數(shù)據(jù)分析對象，抽象出數(shù)據(jù)分析中所需要的特征信息模型。領域問題的數(shù)據(jù)收集完成之后，與目標信息相關(guān)的屬性也隨之確定。這些數(shù)據(jù)有些是可以直接獲得的，有些則需要對學生進行調(diào)查才能的得到。

3）數(shù)據(jù)預處理：此過程中是對已收集的大量數(shù)據(jù)進行整合與檢查。因為存放在數(shù)據(jù)庫中的數(shù)據(jù)一般是不完整的、不一致的，通常還含有噪聲的存在。因此就需要對數(shù)據(jù)庫中數(shù)據(jù)進行清理、整理和歸并，以提高挖掘過程的精度和性能。

4）數(shù)據(jù)轉(zhuǎn)換：對預處理后的數(shù)據(jù)建立分析模型，對于特定的任務，需要選擇合適的算法來建立一個準確的適合挖掘算法的分析模型。本文采用決策樹技術(shù)進行分類建模來解決相應的問題。

5）分類挖掘知識和信息：此階段的工作目的是根據(jù)系統(tǒng)最終要實現(xiàn)的功能和任務來確定挖掘的分類模型。選擇合適的數(shù)據(jù)挖掘技術(shù)及算法，并采用恰當?shù)某绦蛟O計語言來實現(xiàn)該算法，對凈化和轉(zhuǎn)換過得數(shù)據(jù)訓練集進行挖掘，獲得有價值的分析信息。

6）知識表示：將數(shù)據(jù)挖掘得到的分析信息進一步的解釋和評價，生成可用的、正確的、可理解的分類規(guī)則呈現(xiàn)給管理者，應用于實踐。

7）知識應用：將分析得到的規(guī)則應用到教學管理中，教師可以利用所得到的知識針對性的開展畢業(yè)設計的教學活動，進一步指導教學工作，提高教學水平和學生的畢業(yè)論文質(zhì)量。

4 結(jié)論

最終發(fā)現(xiàn)影響學生畢業(yè)論文成績主要的因素不是指導教師的職稱，學生的基礎及感興趣程度，而是指導教師的學歷高低。根據(jù)具體分類規(guī)則的結(jié)論，學校教學管理工作應加重對教師的素質(zhì)及能力培養(yǎng)，合理的分配每個教師的畢業(yè)論文指導工作，不僅能夠有效的完成畢業(yè)課題指導工作，更有助于學生整體論文質(zhì)量的提高。

在高校教學數(shù)字化的時代趨勢下，利用數(shù)據(jù)挖掘技術(shù)來挖掘提取教學工作中的全面而有價值信息，可以為教育管理者的教學工作提供有效的參考信息，改進教學管理方法，提高教學質(zhì)量和學生的綜合素質(zhì)，是高校保持良好的可持續(xù)發(fā)展的有力工具。

參考文獻：

[1] 劉玉文.數(shù)據(jù)挖掘在高校招生中的研究與應用[D].上海：上海師范大學，2008.

[2] 魏萍萍，王翠茹，王保義，張振興.數(shù)據(jù)挖掘技術(shù)及其在高校教學系統(tǒng)中的應用[J].計算機工程，2003.29（11）：87-89.

[3] 劉林東. Web挖掘在考試系統(tǒng)中的應用[J].計算機應用研究，2005（2）：150-154.

[4] Tom M Mitchell.（美）卡內(nèi)基梅隆大學.機器學習[D].曾華軍，張銀奎，譯，北京：機械工業(yè)出版社，2003.

[5] Porter B W， Holte E R. Concept Learnin gand He uristic Classification in Weak Theory Domains[D].A rtificial Intelligence.1989，45（2）：229-293.

[6] Quinlan J R. Induction of Decision Tree[J].Machine Learning，1986（1）：81-106.