决策树算法下的大学生公共体育教学与评价分析.docxVIP

决策树算法下的大学生公共体育教学与评价分析 高校公共体育实践教学是学习体育知识和掌握技能的有效方式，能有效增强学生体质，提高学生身体素质。随着高校教育体质改革的实施，公共体育教学观念、教学内容和手段都在不断发生改变。因此，对高校体育课堂教学进行评价，了解影响体育课堂教学质量影响因素，从而有针对性的进行教学改良，提升课堂教学水平，具有重要意义。数据挖掘作为当前热门的研究领域，通过在大量数据中来提取未知的、潜在的、有应用价值的信息，来为个行业的发展和决策提供重要的参考依据。决策树算法作为数据挖掘中的一个重要技术手段，融合了机器学习、数据统计、智能数据库、神经网络等技术，通过算法对相关影响因素的潜在数据进行进行挖掘，为教育管理和决策提供现代教学评价数据库理想模型。如通过考虑各影响体育教学的因素来构建决策树，实现对影响指标的综合评价，并有针对性性的给出提升教学质量的解决方案;如基于ID3决策树的商务英语实践成效评价，进行考试成绩的管理和分析，由此针对性的提出课程内容改进和教学内容评估等，有效推进教学质量评价管理，提升教学质量。基于此，本文通过将决策树引入大学公共体育教学评价中，对教学质量评价指标进行有效挖掘，发现其中的不合理性并进行改进，实现教学质量和管理水平的提升。 1决策树技术基本原理 1.1数据挖掘 数据挖掘是从海量数据中提取或挖掘识别有效的、新颖的、潜在的信息和知识的过程。它利用数据库关系系统查询、检索功能，结合统计分析处理，得出可供决策参考的统计分析数据。决策树技术作为数据挖掘方法中一种常见的信息论方法，通过对数据进行分类，以达到预测的目的。 决策树是一棵有向、无环树，决策树由决策节点、分支和叶子组成。树上的每一个内部节点均表示一个测试点，树的分支对应一个测试输出，树叶节点则为一個代表类分布。在通过决策树进行数据分类过程中，首先需要对获得的数据训练集进行分析测试，根据获得的数据类别建立待解决问题的数据分类模型，然后根据建立的决策树对未知数据分类。作为一类贪心算法，决策树数据挖掘是一种自顶向下的递归算法，有决策树的根节点开始，根据获得的样本数量对集中属性逐一测试，并通过属性类别对数据训练集分类，获得若干字训练集，其中每个子训练集作为一个非叶节点，进行递归循环执行，直到满足设定条件后，形成树的叶子节点，终止计算。在建立决策树的过程中，由于数据集中存在噪声的干扰，因此，形成的分枝反映出训练集中存在的异常情况，容易造成数据的拟合过度问题，因此就需要对构建的决策树进行修剪，去掉存在的异常分支，保证分类结果的准确性。 对于决策树每个节点，每个决策节点表征一个问题或决策，对应待分类对象属性，每一个叶子代表可能存在的分类结果。沿决策树由上而下遍历，通过对每个结点进行测试，将各节点上的测试输出结果构成不同分支，最后由某一途径传输到一个叶子节点。在这个过程中可利用若干变量来判定所属类别。目前用于决策树技术的算法主要为ID3算法以及C4.5算法。由于C4.5算法在缺省状态下存在缺陷，因此本文选择采用ID3算法进行数据的分类和预测。 1.2ID3算法流程 ID3算法作为决策树算法中最典型的算法，通过信息增益检验决策树各级节点上数据的特征属性，选择信息增益最大属性作为样本划分测试属性，根据属性不同值建立分支，由各分支实例子集递归方式来建立决策树下一级节点和分支，指导该子集实例被划分为某一个类别。 在ID3算法中， 设S为训练集，s为样本数，假设类Ci（i=1，2，…，m）存在m个不同值，其中类Ci的样本数为si。对于一个给定样本分类所要求的期望信息为： I（s1，s2，…，sm）=-（p1log2（p1）+（p2log2（p2）+ …+（pmlog2（pm）） 上式中：pi=si/s为样本属于Ci的概率。 设属性A中存在v个不同值{a1，a2，…，av}，对S训练集，利用属性A将其划分为v个子集 {S1，S2，…，Sv}，其中Sj的样本在A中存在相同值aj。若选择A作为测试属性，则分类子集包括S节点中形成的多个分枝。设sij为Sj中类Ci样本数。将A划分的子集期望信息熵为： E（A）=∑vi=1sij+…+smjSI（sij，…，smj） 其中sij+…+smjS作为第j个权值，则获得A属性上分支的编码信息为： Gain（A）=I（s1，s2，…sm）-E（A） 算法中选择最高信息增益的属性给定S测试属性，根据测试属性创建节点并进行属性标记，并由属性只构建分枝进行样本划分。 1.3树的修剪 在决策树创建过程中，由于训练集中噪声的存在，在训练数据中存在异常现象的分支，为生成一棵易于理解的