悲觀剪枝在學(xué)生成績中的運用范文

本站小編為你精心準(zhǔn)備了悲觀剪枝在學(xué)生成績中的運用參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《電腦開發(fā)與應(yīng)用雜志》2014年第六期

1構(gòu)建學(xué)生成績決策樹

（1）收集數(shù)據(jù)。從教學(xué)信息管理數(shù)據(jù)庫中收集學(xué)生成績數(shù)據(jù)集，保存在學(xué)生成績數(shù)據(jù)score表中。學(xué)生成績數(shù)據(jù)score表格部分原始數(shù)據(jù)如圖1所示。（2）用Weka軟件并采用ID3算法形成決策樹，分類規(guī)則描述如下：rule1：IF（感興趣=B）and（課前預(yù)習(xí)=C）and（教學(xué)態(tài)度=B）and（教學(xué)內(nèi)容=A）THEN（scoretype=及格）rule2：IF（感興趣=A）and（教學(xué)內(nèi)容=A）and（課前預(yù)習(xí)=B）and（課后復(fù)習(xí)=B）and（課堂掌握=A）and（教學(xué)方法=A）and（教學(xué)態(tài)度=B）THEN（scoretype=中）rule3：IF（感興趣=A）and（教學(xué)內(nèi)容=A）and（課前預(yù)習(xí)=B）and（課后復(fù)習(xí)=B）and（課堂掌握=B）and（教學(xué)態(tài)度=A）and（教學(xué)效果=B）THEN（scoretype=良）從上看出這些分類規(guī)則過長，說明影響學(xué)生成績的因素過多，同時提取出的分支太多，不利于對它進行精確分析，所以在這里需要對它進行剪枝。

⑶對學(xué)生成績決策樹剪枝并分析。選取C=0.25，則z=0.68。從中抽取感興趣=B，課前預(yù)習(xí)=C這個非葉子節(jié)點進行分析，E=5，N=50，f=5/50=1/10。根據(jù)公式可得q=0.1324<0.25，所以可以剪去這個非葉子節(jié)點。感興趣=B，課前預(yù)習(xí)=B這個節(jié)點進行分析，E=10，N=20，f=1/2。根據(jù)公式可得，q=0.5752>0.25，所以保留這個非葉子節(jié)點。Weka軟件采用悲觀剪枝算法生成剪枝以后的決策樹，如圖3所示。決策樹的學(xué)習(xí)算法中，決策樹的復(fù)雜度和分類精度是需要考慮的兩個最重要因素。表1所示分類器的節(jié)點值為42，采用10折交叉驗證法，我們發(fā)現(xiàn)檢驗正確率為76.6423％，結(jié)果小于訓(xùn)練正確率77.7036%，這種檢驗正確率小于訓(xùn)練正確率、預(yù)測檢驗誤差較大的現(xiàn)象就是常見的“過度擬合”問題，這種問題出現(xiàn)的主要原因有：①噪聲數(shù)據(jù)的影響；②某些決策僅僅基于少量數(shù)據(jù)，從而造成與客觀事實不符的結(jié)果。為了解決過度擬合問題，我們采用悲觀剪枝方法對生成的完全決策樹進行優(yōu)化。為了評估剪枝后分類法的準(zhǔn)確性，定義變量Ac-curacy計算樣本預(yù)測總體正確率，變量Precision評估標(biāo)記為“Cluster中”表示中的學(xué)生的精度。

定義1：Accuracy=ncn*100％。其中，nc為被正確分類的實例數(shù)，n為測試集中樣本實例總數(shù)。定義2：Precision=t_pos（t_pos+f_pos）。其中，t_pos是被正確地按此分類的“Cluster中”樣本數(shù)，f_pos是被錯誤地標(biāo)記為“Cluster中”的成績?yōu)榱寂c及格的樣本數(shù)。剪枝前后的參數(shù)如表1所示。由表1看出，修剪的決策樹既減少了樹的總節(jié)點數(shù)，減少了決策樹復(fù)雜度，增強了樹的可理解性，又提高了樹的精度和分類預(yù)測準(zhǔn)確率。現(xiàn)將剪枝后的“學(xué)生成績”分類規(guī)則描述如下。rule1:i（f感興趣=C）then（scoretype=及格）rule2:i（f感興趣=A）then（scoretype=中）rule3:if（感興趣=B）and（課前預(yù)習(xí)=C）then（scoretype=及格）rule4:i（f感興趣=B）and（課前預(yù)習(xí)=B）and（教學(xué)態(tài)度=B）then（scoretype=及格）rule5:i（f感興趣=B）and（課前預(yù)習(xí)=B）and（教學(xué)態(tài)度=A）then（scoretype=中）rule6:i（f感興趣=B）and（課前預(yù)習(xí)=B）and（教學(xué)態(tài)度=C）then（scoretype=及格）rule7:if（感興趣=B）and（課前預(yù)習(xí)=B）then（scoretype=及格）從圖3可知，決策樹的第一個選擇屬性是感興趣，說明感興趣是學(xué)生成績劃分的第一主要影響因素，這與實際統(tǒng)計到的結(jié)論相符合，而且學(xué)生在對所學(xué)科目感興趣的情況下學(xué)生成績最好。其后的選擇屬性有教學(xué)內(nèi)容、課前預(yù)習(xí)、課堂掌握等。在教學(xué)中，教學(xué)內(nèi)容是最主要因素，如果教學(xué)內(nèi)容引人入勝，學(xué)生就會認(rèn)真聽講，從而提高學(xué)習(xí)成績。這樣，通過決策樹分析，高校決策者就能及時決定學(xué)生成績眾多因素中所隱藏的固有特征，做出恰當(dāng)?shù)慕虒W(xué)改革，實現(xiàn)教學(xué)質(zhì)量的快速提高。

2結(jié)論

在Weka環(huán)境中采用ID3算法生成學(xué)生成績決策樹，然后采用悲觀剪枝算法對其進行剪枝，最后分析決策樹在剪枝前后的各種問題，從而全面地分析影響學(xué)生成績的因素與感興趣的教學(xué)內(nèi)容、課前預(yù)習(xí)等的內(nèi)在聯(lián)系，可以及時指導(dǎo)教師在以后的教學(xué)工作中采取恰當(dāng)?shù)姆椒ǎ罱K提高教學(xué)質(zhì)量。

作者：李萍單位：運城學(xué)院計算機科學(xué)與技術(shù)系