悲觀剪枝在學生成績中的運用范文

本站小編為你精心準備了悲觀剪枝在學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，激發您的寫作靈感。歡迎深入閱讀并收藏。

《電腦開發與應用雜志》2014年第六期

1構建學生成績決策樹

（1）收集數據。從教學信息管理數據庫中收集學生成績數據集，保存在學生成績數據score表中。學生成績數據score表格部分原始數據如圖1所示。（2）用Weka軟件并采用ID3算法形成決策樹，分類規則描述如下：rule1：IF（感興趣=B）and（課前預習=C）and（教學態度=B）and（教學內容=A）THEN（scoretype=及格）rule2：IF（感興趣=A）and（教學內容=A）and（課前預習=B）and（課后復習=B）and（課堂掌握=A）and（教學方法=A）and（教學態度=B）THEN（scoretype=中）rule3：IF（感興趣=A）and（教學內容=A）and（課前預習=B）and（課后復習=B）and（課堂掌握=B）and（教學態度=A）and（教學效果=B）THEN（scoretype=良）從上看出這些分類規則過長，說明影響學生成績的因素過多，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，課前預習=C這個非葉子節點進行分析，E=5，N=50，f=5/50=1/10。根據公式可得q=0.1324<0.25，所以可以剪去這個非葉子節點。感興趣=B，課前預習=B這個節點進行分析，E=10，N=20，f=1/2。根據公式可得，q=0.5752>0.25，所以保留這個非葉子節點。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。決策樹的學習算法中，決策樹的復雜度和分類精度是需要考慮的兩個最重要因素。表1所示分類器的節點值為42，采用10折交叉驗證法，我們發現檢驗正確率為76.6423％，結果小于訓練正確率77.7036%，這種檢驗正確率小于訓練正確率、預測檢驗誤差較大的現象就是常見的“過度擬合”問題，這種問題出現的主要原因有：①噪聲數據的影響；②某些決策僅僅基于少量數據，從而造成與客觀事實不符的結果。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化。為了評估剪枝后分類法的準確性，定義變量Ac-curacy計算樣本預測總體正確率，變量Precision評估標記為“Cluster中”表示中的學生的精度。

定義1：Accuracy=ncn*100％。其中，nc為被正確分類的實例數，n為測試集中樣本實例總數。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，f_pos是被錯誤地標記為“Cluster中”的成績為良與及格的樣本數。剪枝前后的參數如表1所示。由表1看出，修剪的決策樹既減少了樹的總節點數，減少了決策樹復雜度，增強了樹的可理解性，又提高了樹的精度和分類預測準確率。現將剪枝后的“學生成績”分類規則描述如下。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（課前預習=C）then（scoretype=及格）rule4:i（f感興趣=B）and（課前預習=B）and（教學態度=B）then（scoretype=及格）rule5:i（f感興趣=B）and（課前預習=B）and（教學態度=A）then（scoretype=中）rule6:i（f感興趣=B）and（課前預習=B）and（教學態度=C）then（scoretype=及格）rule7:if（感興趣=B）and（課前預習=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，說明感興趣是學生成績劃分的第一主要影響因素，這與實際統計到的結論相符合，而且學生在對所學科目感興趣的情況下學生成績最好。其后的選擇屬性有教學內容、課前預習、課堂掌握等。在教學中，教學內容是最主要因素，如果教學內容引人入勝，學生就會認真聽講，從而提高學習成績。這樣，通過決策樹分析，高校決策者就能及時決定學生成績眾多因素中所隱藏的固有特征，做出恰當的教學改革，實現教學質量的快速提高。

2結論

在Weka環境中采用ID3算法生成學生成績決策樹，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生成績的因素與感興趣的教學內容、課前預習等的內在聯系，可以及時指導教師在以后的教學工作中采取恰當的方法，最終提高教學質量。

作者：李萍單位：運城學院計算機科學與技術系