ID3决策树在报考中的应用研究

摘要：在数据挖掘中，ID3算法对于数据的分类和预测提供了一种重要的途径。该算法以信息论为基础，以信息熵和信息增益度为衡量标准，从而建立决策树，实现对数据的归纳分类。该文对各招生院校的大量数据样本进行分析，依据学校类型、地理位置、校园面积、重点专业和企业口碑这几个较为重要的属性，利用ID3算法，获得不同属性上的信息增益，生成决策树，对学校的等级进行划分。该决策树可为报考学生提供参考，提高报考效率。

关键词：数据挖掘；ID3算法；决策树；报考

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）30-6705-05

1 概述

目前，报考主要是考生根据个人喜好及分数要求主观填报志愿。但是，在报考过程中，通过网络的招生信息往往比较分散，而招生单位数量众多、属性复杂，考生如何收集到对自己有利的信息并且在众多的招生单位中快速有效的选出适合自己的学校非常困难，因此在填报志愿的时候存在一定程度的盲目性，增大了落榜的可能性。数据挖掘是从大量数据中提取或“挖掘”知识，一般分为数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示等，为自动和智能地把海量的数据转化为有用的知识提供了有力的手段，给数据和知识之间的鸿沟架设了方便之桥。在报考过程中应用数据挖掘技术，可以从大量的报考数据中抽取出有用的信息，找出数据变化的规律和数据之间的相互关系，用以指导学生更有效的报考志愿。该文把数据挖掘中的决策树算法（ID3算法）应用到报考工作中，按学校的不同属性进行分类，为广大考生提供决策支持，这样不仅能提高报考的效率，更能合理配置教育资源。

2 决策树方法概述

ID3决策树分类所采用的算法是自顶向下的贪心算法，从最后一个根结点开始，依次选择信息增益最高的属性作为分裂属性，然后将数据样本划分成不同的样本子集，再将每个样本子集构成一个子结点。对每个子结点再进行划分，生成新的子结点。按照此过程不断反复，直到能将样本准确分类或者所有的属性都已被选择，生成的决策树每个叶结点都对应一个分类。

3 数据预处理

3.1数据准备

在全国范围内，招生的学校数量数不胜数，影响学生报考的因素也是多种多样。大量未经筛选的数据不但不利于挖掘，甚至可能对挖掘结果产生不良影响。因此，我们在进行挖掘之前必须对数据进行整理和归纳，列出不同类型影响因素，为数据挖掘做好充分准备。该文学校分类的主要属性包括：学校类型、地理位置、校园面积、重点专业、企业口碑，如表1-1所示。该文列举部分学校作为样本，根据他们的部分属性组成如下的基础表结构，根据相应属性进行计算，得出挖掘结果。

3.1.1表结构数据

5 结束语

在目前的数据挖掘领域中，依然存在着许多分类问题的模型，但应用最为广泛的分类模型仍然是决策树算法。决策树方法的优点表现在分类过程中不需要人为设定任何参数，更适合于对新知识的发现。而决策树分类方法则是不需要任何除测试数据集以外的附加信息，这一点保证了决策树与其它分类方法相比具有更高的分类速度和更高的分类准确率。ID3算法是决策树最有影响的算法，把ID3算法应用于报考中对于招生工作有重要意义。

当然本文也还存在许多可以改进的地方，比如考虑的属性可以更多范围更广，另外对ID3算法进行相应的改进能在报考中有更有效的运用，该文对于算法的研究还存在不完善的地方。同时，本题中取值为离散类型，若把本题中的取值更改为连续类型，则需要用C4.5算法代替，该文没做详细描述。

参考文献：

[1] 曲亚辉.数据挖掘在研究生调剂中的应用研究[D].江苏科技大学，2011.

[2] 黄芳.基于数据挖掘的决策树技术在成绩分析中的应用研究[D].山东大学，2009.

[3] 冯菁，姚宏亮.ID3算法在教学质量评价中的应用研究[J].计算机工程与设计，2006.27（4）.

[4] 徐雯，张扬.ID3算法及其改进[J].计算机与数字工程，2009（10）.

[5] 缪志敏，赵陆文.基于单类分类器的半监督学习[J].模式识别与人工智能，2009（6）：924-930.

[6] 赵卫东，李旗号.粗集在决策树优化中的应用[J].系统工程学报，2001（16）：289-295.

[7] 代昆玉.胡滨.决策树算法在高考志愿填报中的应用[J].贵州大学学报：自然科学版，2009，26（2）.

[8] 唐一，马征.改进的ID3算法在高校就业系统中的应用分析[J].科技情报开发与经济，2011，24（4）.

[9] 范明，孟小峰.数据挖掘概念与技术[M].机械工业出版社，2007.

[10] 戴文华.基于遗传算法的文本分类及聚类研究[M].北京：科学出版社，2008.

[11] 曾铮.基于OLAP和数据挖掘技术的高考志愿填报方式分析评估方法[D].西南大学，2010.

[12] Alexey Pryakhin， Matthias Schubert， Arthur Zimek，et al.Future trends in data mining[J].Data Min Knowl Disc. 2007，15：87-97.

[13] Philip M，Lewis，Michael Ki fer.Dat abase and Transaction Processing all application —Oriented Approach[M].高等教育出版社，2002：17-408.

[14] Nobel A.Analysis of a complexity based pruning scheme for classification trees[J].IEEE Transactions on Information Theory. 2002.48（8）：2362-2368.