潘峰
（國家稅務(wù)總局稅務(wù)干部進(jìn)修學(xué)院，江蘇 揚(yáng)州 225007）
摘要：隨著終身學(xué)習(xí)體系的逐步構(gòu)建，基于互聯(lián)網(wǎng)的遠(yuǎn)程學(xué)習(xí)模式應(yīng)用不斷普及，各種網(wǎng)絡(luò)學(xué)習(xí)平臺也不斷累積大量的學(xué)員學(xué)習(xí)和考試方面的數(shù)據(jù)。采用數(shù)據(jù)挖掘技術(shù)對這些數(shù)據(jù)進(jìn)行分析，可以充分挖掘網(wǎng)絡(luò)學(xué)習(xí)平臺存量數(shù)據(jù)的價值。基于C5.0決策樹算法，采用軟件工具對研究數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)了影響考試結(jié)果的諸多因素及其重要性，可以針對如何改善學(xué)習(xí)方法、提升學(xué)習(xí)效果、改善平臺的服務(wù)模式等提出很好的改進(jìn)建議。
關(guān)鍵詞：決策樹；考試結(jié)果；預(yù)測
1網(wǎng)絡(luò)學(xué)習(xí)與考試
基于Internet的網(wǎng)絡(luò)學(xué)習(xí)是目前比較流行的遠(yuǎn)程學(xué)習(xí)模式，它打破了傳統(tǒng)學(xué)習(xí)的時空環(huán)境限制，有利于構(gòu)建終身學(xué)習(xí)體系。網(wǎng)絡(luò)學(xué)習(xí)平臺的學(xué)習(xí)內(nèi)容以Web頁面的形式呈現(xiàn)，具有費(fèi)用低廉、資源更新快、交互性強(qiáng)等特點(diǎn)，學(xué)員可以隨時隨地安排自己的學(xué)習(xí)時間，提高學(xué)習(xí)效率。
網(wǎng)絡(luò)學(xué)習(xí)平臺除了提供在線學(xué)習(xí)功能，往往還提供隨堂練習(xí)、課程作業(yè)、課程考試等考試功能。對學(xué)習(xí)者學(xué)習(xí)狀況的評估將直接影響他們對網(wǎng)絡(luò)學(xué)習(xí)的態(tài)度、積極性和效果［1］。“學(xué)而時習(xí)之”，通過網(wǎng)絡(luò)學(xué)習(xí)平臺的考試功能進(jìn)行自我練習(xí)（考試）、參加有組織的考試可以有效促進(jìn)學(xué)員學(xué)習(xí)，提高學(xué)習(xí)效果和針對性。
2決策樹與C5.0算法
決策樹的分析結(jié)果形似一棵倒置的樹，所以稱為決策樹。決策樹算法是一種逼近離散函數(shù)值的方法［2］，它通過構(gòu)造決策樹來發(fā)現(xiàn)數(shù)據(jù)中蘊(yùn)涵的分類規(guī)則。決策樹構(gòu)造的輸入是一組帶有類別標(biāo)記的例子，構(gòu)造的結(jié)果是一棵二叉樹或多叉樹［3］，由上到下依次為根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn)。決策樹通過對訓(xùn)練樣本的學(xué)習(xí)建立分類規(guī)則，依據(jù)此規(guī)則實(shí)現(xiàn)對新樣本的分類，屬于有監(jiān)督的學(xué)習(xí)方法［4］。
決策樹的類別包括分類決策樹和回歸決策樹，其中，分類決策樹目標(biāo)變量為分類型數(shù)值，其輸出變量的眾數(shù)就是分類結(jié)果。決策樹的分類過程是基于邏輯的，每一個葉節(jié)點(diǎn)都對應(yīng)于一條布爾規(guī)則。樹的生長過程（即建立決策樹的過程）就是把數(shù)據(jù)不斷進(jìn)行切分的過程，每一次切分力求分成的各組之間的差異最明顯。各種決策樹算法使用了不同的剪枝策略，它們的主要區(qū)別是對這種“差異”明顯程度的衡量方式。
決策樹的構(gòu)建過程是一個遞歸的過程，所以需要確定停止條件。最直觀的方式是當(dāng)每個子節(jié)點(diǎn)只有一種類型的記錄時停止，但往往會導(dǎo)致過度擬合（樹的節(jié)點(diǎn)太多）。另一種方法是設(shè)置當(dāng)前節(jié)點(diǎn)中的記錄數(shù)最小閾值，將置信度最大的分類作為當(dāng)前葉節(jié)點(diǎn)的分類。
作為一種分類決策樹模型算法，C5.0可以生成決策樹或規(guī)則集。C5.0算法基于信息增益度分裂方式，第一次拆分確定樣本子集，然后根據(jù)另一個字段再次拆分，這一過程重復(fù)進(jìn)行直到樣本子集不能被拆分為止［4］。C5.0算法以信息熵的下降速度（能夠帶來最大信息增益的變量）作為確定最佳分支變量和分割閾值的依據(jù)。熵是對樣本不確定性的一種度量［5］。一個系統(tǒng)越是有序，信息熵就越低；反之，一個系統(tǒng)越是混亂，信息熵就越高。
3C5.0決策樹算法在考試結(jié)果預(yù)測中的應(yīng)用
3.1數(shù)據(jù)挖掘工具
SPSS Clementine是SPSS公司收購取得的數(shù)據(jù)挖掘工具。SPSS Clementine 12.0結(jié)合商業(yè)技術(shù)可以快速建立預(yù)測性模型，幫助用戶改進(jìn)決策過程。Clementine廣泛支持Kmeans模型、C5.0決策樹、神經(jīng)網(wǎng)絡(luò)等各種預(yù)測模型。
3.2數(shù)據(jù)準(zhǔn)備
本文研究的數(shù)據(jù)對象為某網(wǎng)絡(luò)學(xué)習(xí)平臺導(dǎo)出的2015年課程學(xué)習(xí)和課程考試情況數(shù)據(jù)（學(xué)員學(xué)習(xí)課程與考試結(jié)果）；數(shù)據(jù)格式為“課程學(xué)習(xí)與考試情況”Excel表；操作系統(tǒng)采用Windows 7 Professional 32 bit；硬件配置：內(nèi)存為4 GB。
該學(xué)習(xí)平臺目前擁有注冊學(xué)員近2 000人，提供標(biāo)準(zhǔn)格式課件點(diǎn)播服務(wù)，還提供課程同步模擬考試服務(wù)。“課程學(xué)習(xí)與考試情況”表記錄了用戶學(xué)習(xí)過的課程的次數(shù)、時間，還記錄了該課程同步模擬考試的結(jié)果，具體字段為“所屬部門”、“用戶名”、“姓名”、“課程名稱”、“考核狀況”、“學(xué)習(xí)次數(shù)”、“學(xué)習(xí)總時長”，記錄共有18 476條。部分示例如表1所示。
3.3數(shù)據(jù)處理
通過對數(shù)據(jù)格式和內(nèi)容的調(diào)整、完善，可以使得建立的模型更簡單、準(zhǔn)確［6］。
為了構(gòu)造新的衍生特征信息，這里增加一個輸入字段，使用WPS 表格10.1軟件增加“次平均學(xué)習(xí)時長”列，列值為使用公式計(jì)算學(xué)習(xí)總時長/學(xué)習(xí)次數(shù)的結(jié)果。
由于直接使用表格文件，這里無需添加本地?cái)?shù)據(jù)源，在Clementine軟件中直接添加Excel“源”節(jié)點(diǎn)，命名為“學(xué)習(xí)考核情況”，導(dǎo)入對應(yīng)的數(shù)據(jù)文件和工作表。在“過濾”中配置字段篩選，縮小處理范圍，清除無用字段（如“所屬部門”、“用戶名”、“姓名”字段），如圖1所示。預(yù)處理后的總數(shù)據(jù)記錄數(shù)不變（圖1字段過濾數(shù)據(jù)格式如表2所示）。添加“類型”節(jié)點(diǎn)設(shè)置各字段“數(shù)據(jù)類型”和“方向”，“考核狀況”對應(yīng)“標(biāo)志”類型，“學(xué)習(xí)次數(shù)”對應(yīng)“集”類型，“次平均學(xué)習(xí)時長”對應(yīng)“范圍”類型，如圖2所示。
通過“重新分類”節(jié)點(diǎn)對學(xué)習(xí)次數(shù)進(jìn)行規(guī)范化分類，這里根據(jù)數(shù)據(jù)密度分為“1+”、“5+”、“10+”、“30+”，分別代表1≤學(xué)習(xí)次數(shù)圖2數(shù)據(jù)類型≤4、5≤學(xué)習(xí)次數(shù)≤9、10≤學(xué)習(xí)次數(shù)≤29、學(xué)習(xí)次數(shù)≧30，生成新字段名“學(xué)習(xí)總次數(shù)分段”。
3.4利用C5.0決策樹算法進(jìn)行數(shù)據(jù)挖掘
繼續(xù)添加一個C5.0節(jié)點(diǎn)，對數(shù)據(jù)進(jìn)行挖掘，配置目標(biāo)字段“考核情況”，輸入字段為“學(xué)習(xí)總次數(shù)分段”、“次平均學(xué)習(xí)時長”，“模型”中配置選擇使用分區(qū)數(shù)據(jù)，輸出類型為“決策樹”，選擇“組符號”（使用分箱法檢查當(dāng)前分組變量的各類別能否合并，如果可以先合并再分枝，此方法得到的決策樹相對精簡），修剪嚴(yán)重性（置信度）設(shè)置為75%，子分支最小記錄數(shù)為200。
Clementine從讀入數(shù)據(jù)到結(jié)果顯示的數(shù)據(jù)挖掘全過程，是以流程圖的形式顯示在數(shù)據(jù)流程區(qū)內(nèi)的，如圖3所示。每個節(jié)點(diǎn)規(guī)定了數(shù)據(jù)的不同操作，箭頭表示數(shù)據(jù)流向，各種操作組合起來就形成了通向目標(biāo)的路徑。將前面的節(jié)點(diǎn)相連接，執(zhí)行結(jié)果“考核結(jié)果”會出現(xiàn)在軟件主界面右上角管理器“模型”中，瀏覽這個模型可以看到數(shù)據(jù)圖3Clementine數(shù)據(jù)流程區(qū)
挖掘結(jié)果。需要注意的是，可以對各節(jié)點(diǎn)添加輸出節(jié)點(diǎn)“表”觀察各節(jié)點(diǎn)數(shù)據(jù)情況（可以將模型結(jié)果添加進(jìn)數(shù)據(jù)流程區(qū)并輸出）。
針對實(shí)驗(yàn)數(shù)據(jù)執(zhí)行決策樹模型“考核結(jié)果”，生成規(guī)則集（如圖4所示）和決策樹模型（如圖5所示）。
3.5考試結(jié)果預(yù)測模型解讀
次平均學(xué)習(xí)時長≤0.17小時的學(xué)員，“未通過”考試的可能性為88.4%；次平均學(xué)習(xí)時長>0.17小時的學(xué)員，通過考試的可能性為81.4%。次平均學(xué)習(xí)時長≦0.17小時且學(xué)習(xí)次數(shù)低于5次的學(xué)員，“未通過”考試的可能性為96%；次平均學(xué)習(xí)時長>0.17小時且學(xué)習(xí)次數(shù)超過5次的學(xué)員，通過考試的可能性為97.8%。在決定考試是否通過的因素中，“次平均學(xué)習(xí)時長”最重要，其次是“學(xué)習(xí)次數(shù)”。從實(shí)際經(jīng)驗(yàn)角度看，每次學(xué)習(xí)時間較長且學(xué)習(xí)次數(shù)較多的學(xué)員，通過考試的概率可能會較大。根據(jù)該網(wǎng)絡(luò)學(xué)習(xí)平臺的課程學(xué)習(xí)和考試數(shù)據(jù)，并使用較為先進(jìn)的Clementine數(shù)據(jù)挖掘軟件構(gòu)建的C5.0決策樹模型，量化反映了網(wǎng)絡(luò)學(xué)習(xí)和考試的這一現(xiàn)象；又由于軟件建模時采用分區(qū)數(shù)據(jù)，提高了模型在不同樣本集上的穩(wěn)健性，因此獲得的預(yù)測模式較為可信。
各類網(wǎng)絡(luò)學(xué)習(xí)平臺可以參考此模型更好地指導(dǎo)學(xué)員在線學(xué)習(xí)，有針對性地提出學(xué)習(xí)建議，如提醒學(xué)員上網(wǎng)學(xué)習(xí)和學(xué)習(xí)次數(shù)等；也可以進(jìn)一步針對學(xué)員進(jìn)行聚類分析，深度定制課件資源和服務(wù)內(nèi)容，如開發(fā)移動客戶端，提高用戶訪問平臺的便捷性等。
4結(jié)論
隨著網(wǎng)絡(luò)學(xué)習(xí)平臺的發(fā)展和提升，為更好地貼近用戶需求，深化學(xué)習(xí)效果，應(yīng)當(dāng)關(guān)注業(yè)務(wù)提升需求，充分挖掘海量的學(xué)習(xí)和考試數(shù)據(jù)，研究并發(fā)現(xiàn)決定學(xué)習(xí)效果的關(guān)鍵因素。C5.0算法在面對輸入字段較多的問題時比較穩(wěn)健，也易于理解，同時也擅長處理非數(shù)值型數(shù)據(jù)，可以在網(wǎng)絡(luò)學(xué)習(xí)平臺關(guān)鍵問題預(yù)測中發(fā)揮更大的作用。
參考文獻(xiàn)
［1］ 岳偉.建構(gòu)主義學(xué)習(xí)理論指導(dǎo)下的自學(xué)考試網(wǎng)絡(luò)助學(xué)策略設(shè)計(jì)［J］.考試研究,2015(1):915.
［2］ 張軍.數(shù)據(jù)挖掘中自我學(xué)習(xí)算法研究［J］.網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2014(11):171,173.
［3］ 陳承斌.基于決策樹算法分析惡意網(wǎng)絡(luò)攻擊和入侵［J］.信息與電腦(理論版),2010(7):15.
［4］ 陳春茶.數(shù)據(jù)挖掘技術(shù)在移動商務(wù)客戶價值識別中的應(yīng)用研究［D］．昆明：云南大學(xué)，2012.
［5］ 宋海霞,嚴(yán)馨,于正濤,等.基于半監(jiān)督主動學(xué)習(xí)的虛假評論檢測［J］.昆明理工大學(xué)學(xué)報（自然科學(xué)版）,2015,40(5):5965.
［6］ 張線媚.數(shù)據(jù)挖掘在電信行業(yè)客戶流失預(yù)測中的應(yīng)用［J］.微型機(jī)與應(yīng)用,2015,34(15):99102.