ID3决策树在报考中应用探究

1、id3决策树在报考中应用探究摘要：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 信息炳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) 30-6705-051概述目前，报考主

2、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，通过网络发布的招生信息往 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

3、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.

4、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、校面积、重点专业、企业口碑,如表1t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

5、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

6、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, 2

7、6 (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0lap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 miningejdata min knowl disc. 2007, 15： 87-9713 philip m, lewis, michael ki fer dat abase and transaction processing all application 一oriented approach m.高等教育出版社，2002： 17-408.14 nobel a. analysis of a co