采用数据挖掘技术中ID3决策树算法分析学生成绩

《采用数据挖掘技术中ID3决策树算法分析学生成绩》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、采用数据挖掘技术中ID3决策树算法分析学生成绩论文导读：在学校管理工作中，特别是对学生的成绩管理工作中，普遍存在的问题是学生成绩数据量过于庞大，但对这些数据的处理还停留在初级的数据备份、查询及简单统计阶段，并没有对大量的成绩数据进行深入地分析，加以捕捉有利于教学管理工作的信息，这是对教学信息资源极大的浪费。数据挖掘技术正是解决这个问题的可行而有效的方法。本文使用ID3决策树算法生成决策树分析学生成绩优良与哪些因素有关，并利用事后修剪法对决策树进行修剪，最后由决策树产生分类规则。关键词：数据挖掘技术，ID3决策树算法，学生成

2、绩1.引言当前，职业技术教育随着社会发展和科技进步，其办学软硬件层次正逐步升级，办学规模和社会影响力也成倍增长。在学校管理工作中，特别是对学生的成绩管理工作中，普遍存在的问题是学生成绩数据量过于庞大，但对这些数据的处理还停留在初级的数据备份、查询及简单统计阶段，并没有对大量的成绩数据进行深入地分析，加以捕捉有利于教学管理工作的信息，这是对教学信息资源极大的浪费。数据挖掘技术正是解决这个问题的可行而有效的方法。本文使用ID3决策树算法生成决策树分析学生成绩优良与哪些因素有关，并利用事后修剪法对决策树进行修剪，最后由决策树产生

3、分类规则。2.数据挖掘的方法和技术数据挖掘方法是由人工智能、机器学习的方法发展而来，结合传统的统计分析方法、模糊数学方法及科学计算可视化技术，以数据库为研究对象，形成了数据挖掘的方法和技术。可分为以下六大类：归纳学习法、仿生物技术、公式发现、统计分析方法、模糊数学方法、可视化技术。信息论方法（决策树方法）是归纳学习法中的一类。信息论方法是利用信息论的原理建立决策树。在知识工程领域，决策树是一种简单的知识表示方法，它将事例逐步分类成代表不同的类别。由于分类规则是比较直观，易于理解，该类方法的实用效果好，影响较大。由于该方法最

4、后获得知识表示形式是决策树，故一般称它为决策树方法。这种方法一般用于分类任务中。决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。决策树是以实例为基础的归纳学习算法。从一组无次序、无规则的元组中推理岀决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部节点进行属性值的比较，并根据不同的属性值从该节点向下分支，叶节点是要学习划分的类。从根节点到叶节点的一条路径就对应着一条分类规则，整个决策树就对应着一组析取表达式规则。信息论方法中较有特色的方法有：ID3,IBLE方

5、法。目前己形成了多种决策树算法，女UCLS、ID3、CHAID、CART、FACT、C4.5、GINI,SEE5、SLIQ、SPRINT等。其中最著名的算法是Quinlan提出的ID3算法。2.决策树的生成决策树的生成分为学习及测试两个阶段。决策树学习阶段采用自顶向下的递归方式。决策树算法分成两个步骤：一是树的生成，开始时所有数据都在根节点，然后递归地进行数据划分，直至生成叶节点。二是树的修剪，就是去掉一些可能是噪音或者异常的数据。决策树停止分割的条件有：一个节点上的数据都是属于同一个类别；没有属性可以再用于对数据进行分割

6、。建立一颗决策树可能只要对数据库进行几遍扫描之后就能完成，这也意味着需要的计算资源较少，而且可以很容易的处理包含很多预测变量的情况，因此决策树模型可以建立得很快，并适合应用到大量的数据上。3.ID3算法决策树归纳的基本算法是贪心算法，它以自顶向下递归的方法构造决策树。著名的决策树归纳算法ID3算法的基本策略如下：•树以代表训练样本的单个节点开始。•如果样本都在同一个类中，则这个节点成为树叶节点，并用该类标记。•否则，算法使用称为信息增益的基于爛的度量作为启发信息，选择能够最好的将样本分类的属性，该属性成为该节点的测试或判定

7、属性。在这里，我们假设所有的属性都是分类的，即取离散值。连续值的属性必须离散化。•对测试属性的每个已知的值创建一个分支，并据此划分样本。•算法使用类似的方法，递归地形成每个划分上的样本决策树。一旦一个属性出现在一个节点上，就不必在该节点的后代上考虑这个属性。•整个递归过程在下列条件之一成立时停止：(1)给定节点的所有样本属于同一类。(2)没有剩余属性可以用来进一步划分样本，这时候将该节点作为树叶，并用剩余样本中所出现最多的类型作为叶子节点的类型。(3)某一分枝没有样本，在这种情况下，以训练样本集中占多数的类创建一个树叶。但

8、是，ID3算法也存在着如下不足：(1)不能够处理连续值属性，ID3算法最初定义时是假设所有属性值是离散的，但在现实环境中，很多属性值是连续的。(2)计算信息增益时偏向于选择取值较多的属性，这样不太合理。(3)对噪声较为敏感，所谓噪声是指训练集中属性值或类别给错的数据。(4)在构造树的过程中，需要对数据集