基于決策樹算法的招生數據挖掘應用研究

朱莉萍

（成都文理學院，四川 成都 610000）

0 引 言

招生工作是各大院校的常規(guī)工作也是最重要的工作之一，對于民辦高職院校而言，招生工作更是關乎全校教職工的生計。報考率和報到率是招生人員最為關心的兩個因素，也是衡量一個學校招生管理水平和成效的重要依據。利用數據挖掘技術對招生錄取數據進行挖掘分析，提煉出影響報到率的重要因素，進行報到預測，將挖掘結果用于指導招生宣傳和服務，輔助招生管理決策。

文獻[1]中，作者利用決策樹算法對不同專業(yè)考生的性別進行預測，利用貝葉斯算法預測每個專業(yè)的生源省份，得到的預測結果和實際結果之間的誤差率較低；文獻[2]中，作者用CHAID 算法構建決策樹模型，挖掘出性別同專業(yè)、成績，生源地同專業(yè)等方面的潛在信息。

1 決策樹算法

決策樹是一種使用非常廣泛的分類技術。在分類的過程中，用一棵倒置的樹從根節(jié)點開始由上到下逐漸構建決策的分支。常見的決策樹算法有ID3、CHAID、CART、C4.5 等。為了確保在決策樹的構建過程中每一個決策分支之間的差異最大，ID3 算法將信息增益作為確定劃分的標準，而C4.5算法將信息增益率作為確定劃分的標準。C4.5 算法是在ID3算法的基礎上改進而來的，不僅可以處理離散型數據，也能處理連續(xù)性數據，因此本文考慮利用C4.5 算法對招生數據進行挖掘。下面介紹幾個概念和公式：

（1）信息熵：表示信息的不確定性，公式定義如下：

（2）屬性分裂后信息熵

假設屬性有個離散值，數據集合中的元組被劃分為個子集合D，按照屬性分裂后的信息熵定義為：