基于Python的決策樹算法在學(xué)生招生錄取數(shù)據(jù)中的應(yīng)用研究

摘要：分類算法是數(shù)據(jù)挖掘技術(shù)中非常重要的一個(gè)研究領(lǐng)域，預(yù)測(cè)離散數(shù)據(jù)的分類標(biāo)號(hào)。主要應(yīng)用于客戶分類、垃圾郵件處理、信用卡分級(jí)等。該文主要研究分類中的決策樹算法，并應(yīng)用于我校學(xué)生招生錄取數(shù)據(jù)，采用Python語(yǔ)言建立分類模型，并驗(yàn)證了該模型的準(zhǔn)確率。

關(guān)鍵詞：決策樹；Python；招生數(shù)據(jù)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）29-0016-02

1 決策樹理論介紹

決策樹算法是一種典型的分類算法，它的分類過(guò)程是基于樣本數(shù)據(jù)建立一棵倒立的樹的過(guò)程。從樹的根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑實(shí)際就是決策的過(guò)程，確定數(shù)據(jù)樣本所屬類標(biāo)號(hào)的過(guò)程，它是一個(gè)遞歸地從上到下確定分支節(jié)點(diǎn)和葉節(jié)點(diǎn)的過(guò)程﹒葉節(jié)點(diǎn)存放的是數(shù)據(jù)樣本所屬的類標(biāo)號(hào)；分支節(jié)點(diǎn)根據(jù)數(shù)據(jù)樣本的某個(gè)合適的屬性值進(jìn)行數(shù)據(jù)集劃分[1]。

2數(shù)據(jù)介紹

數(shù)據(jù)集為湖南城市學(xué)院從2013年到2016年的招生數(shù)據(jù)，部分?jǐn)?shù)據(jù)如圖1所示，包括考生的考生號(hào)、姓名、性別、錄取專業(yè)、文化成績(jī)、投檔成績(jī)、省份。根據(jù)考生的性別、錄取專業(yè)、文化成績(jī)、投檔成績(jī)來(lái)預(yù)測(cè)考生所來(lái)自的省份。

根據(jù)各個(gè)分類算法及數(shù)據(jù)集本身的特點(diǎn)，采用決策樹算法建立分類模型。

3 建立分類模型

建立挖掘模型首先要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、屬性選擇幾個(gè)步驟。

3.1數(shù)據(jù)清洗

3.1.1缺失值的處理

缺失值的處理方法主要由三種，包括刪除缺失值記錄；數(shù)據(jù)插補(bǔ)；有些模型允許出現(xiàn)一定量的空缺值，可以不處理。

確定文件中是否有缺失值以及缺失值的屬性和缺失率的個(gè)數(shù)和缺失率。

通過(guò)以上代碼判斷是否存在缺失值。

3.1.2異常值的處理

異常值的處理主要包含有，刪除含有異常值得記錄；與缺失值一樣的處理方法；平均值修正；不處理。

采用以上代碼過(guò)濾異常數(shù)據(jù)，把文化成績(jī)?cè)?00以上，0分以下的數(shù)據(jù)都過(guò)濾掉。

3.2數(shù)據(jù)集成

采用以上代碼對(duì)數(shù)據(jù)文件進(jìn)行合并。

3.3數(shù)據(jù)轉(zhuǎn)換

在該數(shù)據(jù)集中，把性別值男和女分別轉(zhuǎn)換為1和0，并對(duì)錄取專業(yè)進(jìn)行數(shù)據(jù)轉(zhuǎn)換，分別一一對(duì)應(yīng)為1到59范圍內(nèi)的整數(shù)。其主要代碼為。

4結(jié)論

基于Python語(yǔ)言，對(duì)我校招生數(shù)據(jù)建立決策樹分類模型，通過(guò)考生的錄取年份、性別、錄取專業(yè)、文化成績(jī)、投檔成績(jī)預(yù)測(cè)考生所屬省份，其準(zhǔn)確率非常高。該預(yù)測(cè)模型對(duì)我校招生工作，學(xué)生的分布有一定的幫助。

參考文獻(xiàn)：

[1]黃雪華. 決策樹和貝葉斯分類算法在學(xué)生專業(yè)錄取數(shù)據(jù)中的應(yīng)用研究[J]. 湖南城市學(xué)院學(xué)報(bào)自科版， 2017， 26（4）： 63-65.

【通聯(lián)編輯：王力】