ID3算法在教学过程中应用.docVIP

ID3算法在教学过程中应用 　　摘要：在教学过程中，不同的学生适应不同的教学方法，只有选择合适的教学方法才能达到事半功倍的效果。本文使用决策树算法中比较简单适用的ID3算法，通过使用训练数据计算信息增益从而选择分裂属性的次序，由此构建决策树，并将构建好的决策树应用于学生信息，对学生进行分类。 　　关键词：ID3算法；决策树；分裂属性；信息增益 　　中图分类号：G642文献标识码：A文章编号：1000－8136（2011）06－0131－02 　　 　　教学其实也是一种艺术，有多种方法，目的只有一个，就是怎样很好的引导学生朝着他们想要达到的方向前进，这个过程很漫长，在这过程中要采用很多不同的方法来教育学生。但是不同的学生所适用的教学方法是不同的：理科类学生要很有条理的去思考问题，想办法解决问题；文科学生更多是通过感性的方式去理解事物；而工科的学生更多是通过实践或实验数据来解释某些现象。不同年龄阶段的学生所适用的教学方法也不同：低年级的学生要接受更多的新事物、新概念，在讲课时应更多使用图示、列表等形象的方法；高年级的学生已经掌握了一定的基础知识，就应更多的采用引导探究为主的方法，培养学生学习的积极性和主动性。此外性别因素对学生的学习方法也有影响：男同学的动手能力要强一些；而女同学则更擅长语言文字的表达。因此选择适当的教学方法可以在很大程度上提高学生的学习效率，达到因材施教，事半功倍的效果。要对不同类型的学生使用不同的教学方法，首先要根据不同学生的特点对其做适当的分类。 　　在求解分类问题的方法中，决策树是最有用的一种方法。一旦建好树，就可将其应用于数据库中的元组，并得到分类结果。使用决策树求解分类问题易于理解且高效，对大型数据库具有很好的扩展性。本文通过ID3 算法构建决策树，并将构建好的树应用于数据对学生进行分类。 　　1决策树算法介绍 　　决策树学习算法是以实例为基础的归纳学习算法，通常用来形成分类器和预测模型，可以对未知数据进行分类或预测、数据预处理、数据挖掘等。决策树主要适用于对具有多个属性的数据进行分类。决策树算法在解决问题时主要分为两步：第一，构建决策树；第二，将决策树应用于数据。 　　1.1数据采集 　　决策树构造的输入是一组带有类别标记的例子，构造的结果是一棵二叉树或多叉树。决策树中每个结点按属性进行标记，每个弧被标记为一个谓词，这个谓词可以应用于相应结点的属性，每个叶节点被标记为一个类。发生分裂的属性叫做分列属性，在构建决策树过程中首先要选择最佳分裂属性。影响学生的学习因素有很多，但是不能都作为分列属性，如性格和社会环境虽然也会影响学生的学习，但如果将其纳入分裂属性会使决策树过于复杂，不利于对数据分类。经过筛选我们选取年级、性别、科目作为分裂属性，由此构造决策树。 　　通过对数据库中学生信息数据进行转换、加载和处理，同时综合考虑影响学生学习的主要因素选取如表1样本数据集。 　　表1用于学生分类的训练数据 　　学号 性别 科目 年级 适应性（演示） 　　1 女 文 1 是 　　2 女 理 1 否 　　3 男 文 1 否 　　4 男 理 1 否 　　5 女 工 1 是 　　6 男 工 1 是 　　7 女 文 2 是 　　8 男 文 2 否 　　9 男 理 2 是 　　10 女 理 2 否 　　11 男 工 2 否 　　12 女 工 2 是 　　13 男 文 3 否 　　14 女 文 3 是 　　15 女 理 3 否 　　16 女 工 3 否 　　17 男 理 3 否 　　18 男 工 3 是 　　表1中每一条记录表示一个学生的信息，每一列表示学生一方面的属性。其中性别、科目、年级作为分裂属性，对学生是否适应图形、图表演示的教学方法进行判断。 　　1.2ID3算法的应用 　　在构造决策树的过程中哪个属性作为分列属性，以及分裂属性次序的选择会影响算法的性能。根据分列属性选择方法的不同有不同的决策树算法。常用的决策树算法有ID3算法，C4.5算法和C5.0算法等。C4.5和C5.0算法主要用于解决连续数据的分类问题。ID3算法则用于解决非连续数据的分类问题。学生的信息属于非连续数据，因此选用ID3算法。 　　要构建树必须选择分裂属性的次序，ID3算法根据每个分裂属性所产生信息增益的大小对其排序。 　　表1中共有18条记录，训练数据的初始状态为：适应演示教学法的占（10/18），不适应的占（8/18）。首先计算初始集合的熵为： 　　H（D）＝ 10/18log（18/10）+8/18log（18/8）＝0.2938 　　如果选择科目作为分列属性，则文、理、工科均有6个学生，文科学生组成子集的熵为： 　　4/6log（6/4）+2/6log（6/2