决策树算法下的大学生公共体育教学与评价分析

王玉国 宋忠田

摘要：针对当前大学公共体育教学质量评价中缺乏科学、有效的评价手段，导致教学效率低下，教学内容枯燥的问题，需要对教育教学质量评价指标进行数据挖掘和分析，提升体育教学课程管理质量和效率。基于决策树技术进行数据的分类，提取体育课程中的数据特征和关系，结合ID3算法，通过信息增益检验决策树各级节点上数据的特征属性，建立树形分支，由各分支实例子集递归方式来建立决策树下一级节点和分支，指导该子集实例被划分为某一个类别，寻找影响大学体育课堂教学质量因素。教学内容在教学质量评价中占主导地位，直接影响教学质量的评价结果，采用决策树能为体育教学课程管理提供有价值的数据支持，有效提高体育教学课程管理质量和效率。

关键词：体育教学;决策树算法;数据挖掘

中图分类号：G641

文献标志码：A

AnalysisonPublicPhysicalEducationTeachingandEvaluationof

CollegeStudentsunderDecisionTreeAlgorithm

WANGYuguo，SONGZhongtian

（DepartmentofPhysicalEducationandSports，AksuVocationalandTechnicalCollege，Aksu843000，China）

Abstract：Inviewofthelackofscientificandeffectivemeansintheevaluationofpublicphysicaleducationteachingqualityincollegesanduniversities，theteachingefficiencyislowandtheteachingcontentisboring.Throughthedataminingandanalysisoftheevaluationindexofeducationandteachingquality，thedataclassificationbasedondecisiontreetechnologyiscarriedout，andthedatafeaturesandrelationsinphysicaleducationcurriculumareextracted.CombinedwithID3algorithm，thecharacteristicattributesofdataonalllevelsofthedecisiontreearetestedbyinformationgain，branchesareestablished，andthelowerlevelnodesandbranchesofthedecisiontreeareestablishedbytherecurrencemodeofeachbranchinstancesubset.Thesecanguidetodividetheinstanceofthesubsetintoacertaincategoryinordertofindtheinfluenceonthephysicaleducationcourseoftheuniversity.Theexampleshowsthatthedecisiontreecanprovidevaluabledatasupportforphysicaleducationcurriculummanagementandeffectivelyimprovethequalityandefficiencyofphysicaleducationteachingcurriculummanagement.

Keywords：physicaleducation;decisiontreealgorithm;datamining

0引言

高校公共体育实践教学是学习体育知识和掌握技能的有效方式，能有效增强学生体质，提高学生身体素质。随着高校教育体质改革的实施，公共体育教学观念、教学内容和手段都在不断发生改变[12]。因此，对高校体育课堂教学进行评价，了解影响体育课堂教学质量影响因素，从而有针对性的进行教学改良，提升课堂教学水平，具有重要意义。数据挖掘作为当前热门的研究领域，通过在大量数据中来提取未知的、潜在的、有应用价值的信息，来为个行业的发展和决策提供重要的参考依据[3]。决策树算法作为数据挖掘中的一个重要技术手段，融合了机器学习、数据统计、智能数据库、神经网络等技术，通过算法对相关影响因素的潜在数据进行进行挖掘，为教育管理和决策提供现代教学评价数据库理想模型[46]。如通过考虑各影响体育教学的因素来构建决策树，实现对影响指标的综合评价，并有针对性性的给出提升教学质量的解决方案[7];如基于ID3决策树的商务英语实践成效评价，进行考试成绩的管理和分析，由此针对性的提出课程内容改进和教学内容评估等，有效推进教学质量评价管理，提升教学质量[8]。基于此，本文通过将决策树引入大学公共体育教学评价中，对教学质量评价指标进行有效挖掘，发现其中的不合理性并进行改进，实现教学质量和管理水平的提升。

1决策树技术基本原理

1.1数据挖掘

数据挖掘是从海量数据中提取或挖掘识别有效的、新颖的、潜在的信息和知识的过程。它利用数据库关系系统查询、检索功能，结合统计分析处理，得出可供决策参考的统计分析数据[7]。决策树技术作为数据挖掘方法中一种常见的信息论方法，通过对数据进行分类，以达到预测的目的。

决策树是一棵有向、无环树，决策树由决策节点、分支和叶子组成[9]。树上的每一个内部节点均表示一个测试点，树的分支对应一个测试输出，树叶节点则为一個代表类分布。在通过决策树进行数据分类过程中，首先需要对获得的数据训练集进行分析测试，根据获得的数据类别建立待解决问题的数据分类模型，然后根据建立的决策树对未知数据分类。作为一类贪心算法，决策树数据挖掘是一种自顶向下的递归算法，有决策树的根节点开始，根据获得的样本数量对集中属性逐一测试，并通过属性类别对数据训练集分类，获得若干字训练集，其中每个子训练集作为一个非叶节点，进行递归循环执行，直到满足设定条件后，形成树的叶子节点，终止计算[10]。在建立决策树的过程中，由于数据集中存在噪声的干扰[11]，因此，形成的分枝反映出训练集中存在的异常情况，容易造成数据的拟合过度问题，因此就需要对构建的决策树进行修剪，去掉存在的异常分支，保证分类结果的准确性。

对于决策树每个节点，每个决策节点表征一个问题或决策，对应待分类对象属性，每一个叶子代表可能存在的分类结果。沿决策树由上而下遍历，通过对每个结点进行测试，将各节点上的测试输出结果构成不同分支，最后由某一途径传输到一个叶子节点。在这个过程中可利用若干变量来判定所属类别。目前用于决策树技术的算法主要为ID3算法以及C4.5算法[12]。由于C4.5算法在缺省状态下存在缺陷，因此本文选择采用ID3算法进行数据的分类和预测。

1.2ID3算法流程

ID3算法作为决策树算法中最典型的算法，通过信息增益检验决策树各级节点上数据的特征属性，选择信息增益最大属性作为样本划分测试属性，根据属性不同值建立分支，由各分支实例子集递归方式来建立决策树下一级节点和分支，指导该子集实例被划分为某一个类别。

在ID3算法中，

设S为训练集，s为样本数，假设类Ci（i=1，2，…，m）存在m个不同值，其中类Ci的样本数为si。对于一个给定样本分类所要求的期望信息为：

I（s1，s2，…，sm）=-（p1log2（p1）+（p2log2（p2）+

…+（pmlog2（pm））

上式中：pi=si/s为样本属于Ci的概率。

设属性A中存在v个不同值{a1，a2，…，av}，对S训练集，利用属性A将其划分为v个子集

{S1，S2，…，Sv}，其中Sj的样本在A中存在相同值aj。若选择A作为测试属性，则分类子集包括S节点中形成的多个分枝。设sij为Sj中类Ci样本数。将A划分的子集期望信息熵为：

E（A）=∑vi=1sij+…+smjSI（sij，…，smj）

其中sij+…+smjS作为第j个权值，则获得A属性上分支的编码信息为：

Gain（A）=I（s1，s2，…sm）-E（A）

算法中选择最高信息增益的属性给定S测试属性，根据测试属性创建节点并进行属性标记，并由属性只构建分枝进行样本划分[13]。

1.3树的修剪

在决策树创建过程中，由于训练集中噪声的存在，在训练数据中存在异常现象的分支，为生成一棵易于理解的决策树，就需要对包好噪声分支的决策树进行修剪，解决一些分支过分适应的问题[14]。目前比较常见的剪枝方式主要分为先剪枝和后剪制技术[15]。先剪枝方式是在建立决策树过程中，对于存在异常的分支，直接停止建立子节点，从而不形成异常分支。后剪枝方式则是在建立决策树后，根据建树条件，去掉其中存在的部分异常分支，并利用叶节点重新建立新的决策树。

本文中根据体育教学评价数据分类特性，采用基于最小错误原则的后剪枝法，即在完全生成决策树后，将多余部分的分支剪掉，并利用叶节点获得新的决策树[16]。因此，通过建立决策树对任意实例进行判定，挖掘过程如图1所示。

通过决策树算法对信息增益特征属性进行检验，获得增益最大值形成决策树节点，保证决策树结点最小的前提下具备最高的例子识别准确率。根据特征取值不同构建分支，对分支实例子集进行递归处理，建立决策树结点和分支，直到某一子集中的所有例子均为相同子集。

2决策树算法应用

2.1数据采集

以某体育大学在校师生为对象，分别在学期末进行问卷调查，针对影响体育教学质量因素分析。体育教学评价是解释体育教学的价值，因此，选定的评价指标应力求反映体育課堂教学状态和效果。由于教学质量是教学过程的中心环节，因此以课堂教学为例，进行决策树分析，将教学质量评价指标按照教学内容、教学手段、教学效果和教学态度等分为五个项目。假设K1：教学态度;K2：教学内容;K3：教学方式;K4：教学效果;K5：教学结果五个训练样本数据，组织体育学院6位一线体育教师和4位硕士导师共10人进行任课教学效果评价。将评价等级分为5级，分别为：A：优秀（90100）;B：良好（8090）;C：中等（7080）;D：合格（6070）;E：不合格（<60）;获得10个教师的教学质量评价如表1所示。

通过表1所示的评价结果，利用ID3算法构成决策树，部分程序代码如下：

Print（‘Starttrainning）

Tree=train（train_features，train_labels，list（range（feature_len）））

Time_3=time.time（）

Print（‘trainingcost%fsecond%（time_3—time_2））

Print（‘Startpredicting）

Tets_predict=predicting（test_features，tree）time_4=time.time（）

Print（‘predictingcost%fsecond%（time_4—time_3））

根据表1中获得的教师教学质量评价结果和建立的决策树，确定样本期望信息熵为：

I（S）=-110log2110-

610log2610-

310log2310=1.25775996

对于教学态度K1，存在有Values（K1）=（A，B，C），SA={6，8}，SA=2，

SB={1，2，3，5，9，10}，SB=6，SC={4，7}，SC=2，计算获得教学态度K1

条件期望信息为：

E（SA）=-12log212-

12log212=1.0;

E（SB）=-16log216-

56log256=0.64336;

E（Sc）=-12log212-

12log212=1.0，可得到：

E（K1）=210E（SA）+610E（SB）+210E（SC）=0.757845

确定K1信息增熵为：Gain（K1）=I（S）-E（K1）=0.5034435同理可得到其他属性的信息熵分别为：

Gain（K2）=I（S）-E（K2）=0.6067457;Gain（K3）=0.4765867;

Gain（K4）=0.4315636。

比较样本的信息熵有：Gain（K2）>Gain（K1）>Gain（K3）>Gain（K4）。可以看出，样本中教学内容K2属性信息增益具有做大值，因此选择教学内容K2作为根节点测试属性，在每个值根节点创建分支，并基于ID3从根节点进行进一步细分。若根节点到当前节点路径包含了所有样本的全部属性，或属于同一训练样本层，则算法完成，根据教学内容K2测试属性建立的决策树形图，如图2所示。

2.2决策结果

根据建立的决策树可以看出，从决策树根部到叶的每一个路径对应一组属性测试的合取，整个决策树表示合取的析取。从决策树中提取表征描述决策树的知识，并采用ifthen语句作为分类规则，其中每一条根节点至叶节点的路径均对应着一个唯一的决策规则，根据建立的决策树型，获得决策树结果的部分代码，如图3所示。

确定知识的表述形式为：

if（K2=A），thenK5=优秀;

if（K2=B），thenK5=良好;

if（K2=C∧K1=C），thenK5=中等;

if（K2=C∧K1=B∧K3=B），thenK5=良好;

if（K2=C∧K1=B∧K3=C），thenK5=中等;

根据分析可知，教学内容K2在教师教学中占主导地位，若教学内容为优秀时，获得的教学质量评价为优秀，若教学内容为良好时，则教学质量评价结果为良好因此对教学质量的评价中，教学内容作为主要的考虑因素，同时兼顾教学方式、教学态度等其他样本。当教学内容为中等，而教学态度为中等时，获得的教学质量评价结果为中等;当教学内容为中等，而教学态度良好，教学方式为良好或中等时，得到的教学质量评价结果为中等。

3总结

大学公共体育教学质量评价是提升课堂教学质量的有效方式。决策树技术应用于教学质量的評价，通过对调查数据的挖掘分析，进行数据的分类，提取体育课程中的数据特征和关系，并结合ID3算法，通过信息增益检验决策树各级节点上数据的特征属性，选择信息增益最大属性作为样本划分测试属性，根据属性不同值建立分支，由各分支实例子集递归方式来建立决策树下一级节点和分支，指导该子集实例被划分为某一个类别，寻找影响大学体育课堂教学质量因素，为体育教学课程管理提供有价值的数据支持，提高体育教学课程管理质量和效率。

参考文献

[1]武善锋，陆霞.基于决策树算法的体育课程分析与管理系统设计[J].现代电子技术，2019，42（3）：131133.

[2]郭鹏，蔡骋.基于聚类和关联算法的学生成绩挖掘与分析[J].计算机工程与应用，2019，55（17）：169179.

[3]张树滑.基于ID3算法的大学生成绩数据挖掘与体能分析系统设计[J].现代电子技术，2019，42（5）：104106.

[4]林秀科，沈良忠.基于决策树的学生成绩对毕业影响分析[J].电脑知识与技术，2017，13（35）：1516.

[5]张馨娇.基于数据挖掘技术的学生体育成绩管理系统的设计[J].自动化与仪器仪表，2017（10）：223224.

[6]吴剡青，韩佳宏，金渊涛，等.基于大数据挖掘的警校大学生公务员成功考取预测模型研究——以中央司法警官学院为例[J].电脑知识与技术，2017，13（12）：194195.

[7]吴元庆.基于数据挖掘的体育教学信息系统的研究与设计[J].自动化与仪器仪表，2017（3）：7778.

[8]孙莉.基于C4.5算法的大学阳光体育系统设计与实现[J].自动化技术与应用，2019，38（7）：2832.

[9]祝莉妮.基于数据挖掘的体育成绩管理与体能分析研究[J].数字技术与应用，2017（3）：83.

[10]戴红，王忠，宋大维，等.大数据视角下的高校体育教学研究[J].中国学校体育（高等教育），2016，3（7）：3539.

[11]吴元庆.基于数据挖掘的体育教学信息系统的研究与设计[J].自动化与仪器仪表，2017（3）：7778.

[12]李寿邦.基于分类规则的大学生体质测试数据挖掘的应用研究——以西安石油大学三年级学生为例[J].西安石油大学学报（自然科学版），2018，33（5）：120126.

[13]罗嗣卿，王佳玉，李冰珂.改进的组合优化决策树谣言判别方法研究[J].计算机仿真，2018，35（2）：219223.

[14]夏莉莉，赵华硕，徐渭，等.决策树和回归技术在超重危险因素分析中的应用[J].现代预防医学，2018，45（9）：15491552.

[15]王杰.基于资源库的运动技战术训学研平台构建[J].上海体育学院学报，2018，42（3）：7478.

[16]方欢，方贤文，郭娟，等.案例驱动下的分类与预测课程教学方法研究[J].长春师范大学学报，2018，37（8）：6772.

（收稿日期：2020.01.24）