基于Weka的CET-4成績的挖掘與分析

1、    基于weka的cet4成績的挖掘與分析    范殉琦鐘寶榮摘要；現(xiàn)如今大學生人數(shù)逐年在增多，就業(yè)壓力也在逐年增大，獲得含金量較大的證書無疑可以增大大學生就業(yè)的優(yōu)勢，cet-4證書就是其中的一種。從本校大學一年級學生教育學習情況調(diào)查問卷中，運用決策樹c4。5算法進行數(shù)據(jù)挖掘，可以發(fā)現(xiàn)學生高考成績、性別、對英語的學習態(tài)度、努力程度、與英語老師的關系和英語四級考試成績之間潛在的關系。運用weka數(shù)據(jù)挖掘軟件，可以很清晰直觀的進行數(shù)據(jù)挖掘并分析出影響英語四級考試的因素，對高校英語教學有一定的指導意義。關鍵詞：weka軟件；cet-4成績；數(shù)據(jù)挖掘；決策樹

2、：tp311 ：a ：1009-3044（2017）07-0248-021引言大學英語四級考試，即cet-4，college english test band4的縮寫，是由國家教育部高等教育司主持的全國性教學考試。考試有一定的難度并且監(jiān)考力度大，考試成績具有很高的可信度，因此引起了高校中學生、老師和領導的高度重視。學校每年都會進行在校大學生學習情況的調(diào)查，而這些數(shù)據(jù)僅僅是用在表面的數(shù)據(jù)查詢，數(shù)據(jù)背后隱藏的有用信息并未被有效的挖掘出來。針對這個問題，利用weka數(shù)據(jù)挖掘軟件中決策樹j48（對c4.5進行了改進）算法，挖掘出學生高考成績、性別、對英語的學習態(tài)度、努力程度、與英語老師的關系與cet

3、-4成績之間的潛在關系，分析出那些因素對cet-4成績影響最大，從而總結出學習的規(guī)律，提高高校學生的ce't-4成績。2weka軟件2.1weka數(shù)據(jù)挖掘軟件介紹weka的全名是懷卡托智能分析環(huán)境（waikatoenvironment for knowledge analysis），是一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔數(shù)據(jù)挖掘任務的機器學習算法，包括對數(shù)據(jù)進行預處理，分類，回歸、聚類、關聯(lián)規(guī)則以及在新的交互式界面上的可視化。2.2weka數(shù)據(jù)集格式arefarff（attribute-relation file format）格式是一種ascii文本文件，記錄了具有共同屬性的

4、實例集。arff格式是數(shù)據(jù)挖掘軟件weka所使用的文件格式。arff文件分為注釋、關系名、屬性名、數(shù)據(jù)域幾大部分，注釋用百分號開頭%，關系名用relation申明，屬性用attribute什么，數(shù)據(jù)域用data開頭。當數(shù)據(jù)是數(shù)值型，在屬性名的后面加numeric，如果是離散值（枚舉值），就用一個大括號將值域列出來。data下一行后為數(shù)據(jù)記錄，數(shù)據(jù)為矩陣形式，即每一個的數(shù)據(jù)元素個數(shù)相等，若有缺失值，就用問號？表示。3c4.5數(shù)據(jù)挖掘算法c4.5算法是機器學習算法中的一種分類決策樹算法，其核心算法id3算法。分類決策樹算法是從大量事例中進行提取分類規(guī)則的自上而下的決策樹。id3算法的核心思想就是以

5、信息增益度量屬性選擇，選擇分裂后信息增益最大的屬性進行分裂。設d為用類別對訓練元組進行的劃分，則d的熵（entropy）表示為：其中pi表示第i個類別在整個訓練元組中出現(xiàn)的概率，可以用屬于此類別元素的數(shù)量除以訓練元組元素總數(shù)量作為估計。熵的實際意義表示是d中元組的類標號所需要的平均信息量?，F(xiàn)在我們假設將訓練元組d按屬性a進行劃分，則a對d劃分的期望信息為；而信息增益即為兩者的差值：c4.5算法繼承了td3算法的優(yōu)點，并對id3算法進行了改進：c4.5算法首先定義了“分裂信息”，其定義可以表示成：其中各符號意義與id3算法相同，然后，增益率被定義為；4ce4-4成績挖掘與分析4.1確定挖掘?qū)ο箅A

6、段此次實驗的數(shù)據(jù)來源于我校在校學生學習情況、學生入學信息等多個數(shù)據(jù)源，利用數(shù)據(jù)庫技術將多個數(shù)據(jù)源中的可能對cet-4成績造成影響的字段進行整合，合并成一個用于分析學生cet-4成績的數(shù)據(jù)表。運用weka軟件，挖掘出學生高考成績、性別、對英語的學習態(tài)度、努力程度、與英語老師的關系和英語四級考試成績之間潛在的關系。4.2數(shù)據(jù)收集與數(shù)據(jù)預處理本次數(shù)據(jù)中的原始樣本數(shù)據(jù)共有1650個，經(jīng)過初步的數(shù)據(jù)清理、排除、整合等操作后，參與數(shù)據(jù)挖掘的數(shù)據(jù)共有1528個，樣本的有效率達到了92.6%。得到了一個包含stunum，stuname，stusex，stuscore，stuattitude，stuwork，s

7、turelation，cet4score八個字段的影響cet4成績的數(shù)據(jù)表，數(shù)據(jù)如表1所示。4.3數(shù)據(jù)轉(zhuǎn)換首先需要對stuscore、stuwork、cet4score字段的數(shù)據(jù)通過離散化的方法，將原本numeric類型轉(zhuǎn)換為nominal類型。將大學生高考成績離散化為“a”（120分），“b”（105且<120分），“c”（90且<105分），“d”（<90分）；將學生努力程度（每日學習英語的時間）離散化為“l(fā)azy”（425分），“nopass”（分數(shù)<425分）。當進行挖掘時，剔除掉stunum和stunarne兩個字段的值。4.4數(shù)據(jù)字段說明經(jīng)過轉(zhuǎn)化后，屬性的可

8、選值為：5實驗結果從數(shù)據(jù)集中隨機抽取1428條數(shù)據(jù)作為訓練數(shù)據(jù)集，把剩余的100條數(shù)據(jù)作為測試數(shù)據(jù)集，測試決策樹的正確預測率。weka中對數(shù)據(jù)集進行決策樹分析，產(chǎn)生的決策樹如圖1。正確率達到79.6218%，如圖2所示。從建立的決策樹模型中推測主要影響大學一年級新生的cfa一4成績因素有三個，學習的努力程度、對英語的學習態(tài)度、高考成績。從中可以看出，學生的努力程度對第一次cet-4是否能通過，有很明顯的預測作用，這也和我們本身認知一致，當付出了足夠的努力，會獲取相應的回報，同時培養(yǎng)學生的學習興趣，對提高成績也有很大的幫助，這個信息給了高校的英語老師一個很好的提示，盡可能的要提高學生學習興趣，同時高考的成績也反映出學生的基礎知識，學習是個長期努力的過程，需要長時間的積累，只有對英語有興趣，花足夠多的時間來學習英語，才能更好地提高英語成績。6結語本文研究了可能影響cet-4成績的相關因素，介紹了c4.5數(shù)據(jù)挖掘方法，以開源數(shù)據(jù)挖掘軟件weka平臺為基礎，調(diào)用其封裝好的決策樹j48算法，快速的挖掘出學生高考成績、性別、對英語的學習態(tài)度、努力程