丁亞芝，鄭志高，馬 嶸

1 前言

體質(zhì)數(shù)據(jù)分析的一個(gè)重要方面就是為發(fā)展國民體育運(yùn)動、改善體育教學(xué)提供依據(jù)。近年來，國內(nèi)、外在人體體質(zhì)數(shù)據(jù)分析方面，主要是對體質(zhì)數(shù)據(jù)獲取的測試方法以及測試儀器等方面的研究，很少使用數(shù)學(xué)的分析方法對數(shù)據(jù)處理方法、數(shù)據(jù)所代表的結(jié)果進(jìn)行分析和比較。體育科學(xué)積累了大量的測試結(jié)果，傳統(tǒng)的研究方法缺乏對數(shù)據(jù)的深層次分析，隱藏在數(shù)據(jù)背后的知識和相關(guān)的有用信息都沒有得到充分挖掘。當(dāng)前，統(tǒng)計(jì)學(xué)已經(jīng)在體育科學(xué)研究中顯示出前所未有的成果，但是也暴露出自身的一些局限性，使得相關(guān)數(shù)據(jù)分析工作不盡如人意。數(shù)據(jù)挖掘技術(shù)是一門以數(shù)據(jù)為基礎(chǔ)的科學(xué)，是一種能夠幫助決策者抽取隱藏在數(shù)據(jù)背后的有用信息和科學(xué)的方法［1］。由于目前一些直觀判斷人體體質(zhì)狀況的指標(biāo)的測試都相對復(fù)雜，并且對測試方法有著較高的要求，但是在實(shí)際常規(guī)體質(zhì)判斷中我們往往希望根據(jù)一些簡單測試的數(shù)據(jù)即可判斷受試者的體質(zhì)質(zhì)量。因此，如何根據(jù)簡單測量指標(biāo)判斷體質(zhì)狀況是目前體育數(shù)據(jù)分析中的一個(gè)重要課題。決策分析技術(shù)的出現(xiàn)使得這一課題有著重大突破，基于決策分析的方法，可以根據(jù)身高、體重等一些簡單的體質(zhì)指標(biāo)結(jié)合一些能夠直接確定人體體質(zhì)狀況的指標(biāo)建立決策分析樹，并利用部分測試數(shù)據(jù)對決策樹的準(zhǔn)確性進(jìn)行校驗(yàn)。確定一棵準(zhǔn)確的決策樹之后即可根據(jù)一些簡單的測量指標(biāo)快速判斷人體體質(zhì)狀況。

于岱峰等［12］以人體握力肌肉力量測試數(shù)據(jù)研究為例將ID3算法應(yīng)用于人體肌肉力量數(shù)據(jù)分析中，該項(xiàng)實(shí)驗(yàn)在單機(jī)環(huán)境下取得了良好的效果。但是，ID3算法存在以下一些缺點(diǎn)，導(dǎo)致該方法在大量數(shù)據(jù)分析和連續(xù)數(shù)據(jù)分析中的效果還有待提高［17］:1）算法注重特征的選擇，并且在特征選擇時(shí)注重特征值數(shù)目較多的特征，但是數(shù)目多的特征并不一定是最優(yōu)特征，因此，該方案還有待進(jìn)一步優(yōu)化；2）對噪聲較為敏感，訓(xùn)練集中正例與反例的比例很難控制（圖1）；3）學(xué)習(xí)邏輯表達(dá)的能力較差，并且決策樹隨著訓(xùn)練集的變化而變化。

圖1 噪音數(shù)據(jù)對決策分析的影響示意圖Figure 1.Influence of Noise Data for Decision Analysis

由于體質(zhì)監(jiān)測數(shù)據(jù)，如握力、血壓、三圍等都是連續(xù)數(shù)據(jù)，并且在進(jìn)行全國聯(lián)網(wǎng)數(shù)據(jù)分析時(shí)涉及的都是海量數(shù)據(jù)分析?；贗D3算法的這樣一些缺陷以及SPRINT算法在處理海量數(shù)據(jù)方面的一些優(yōu)勢，本文采用趨勢選擇的方法對連續(xù)屬性分割的情況進(jìn)行剪枝提出基于趨勢選擇的SPRINT算法（Trend Selection Based Scalable Parallelizable Induction of Decision Trees，簡稱TESTSPRINT算法），用以解決ID3算法和SPRINT算法在處理連續(xù)數(shù)據(jù)方面的一些缺陷。理論分析和實(shí)驗(yàn)證明，本文提出的TESTSPRINT算法具有以下一些優(yōu)點(diǎn):1）保留了SPRINT算法支持多CUP的特性，處理海量數(shù)據(jù)時(shí)的時(shí)間和空間復(fù)雜度較低；2）引入了趨勢選擇的概念，對于連續(xù)區(qū)間屬性的處理可以通過趨勢選擇進(jìn)行預(yù)處理剪枝，極大減小了計(jì)算復(fù)雜度，減小了在線計(jì)算開銷；3）算法具有較低的時(shí)間和空間開銷，對體育數(shù)據(jù)分析具有較高的準(zhǔn)確性。

2 相關(guān)工作

2.1 體質(zhì)數(shù)據(jù)分析

隨著數(shù)據(jù)的積累，采用數(shù)據(jù)挖掘的方法進(jìn)行數(shù)據(jù)分析工作已經(jīng)成為科學(xué)研究的基本的方法，不同的學(xué)者采用了不同的數(shù)據(jù)挖掘方法處理體質(zhì)等相關(guān)數(shù)據(jù)。李慧玲等［3］從數(shù)據(jù)倉庫決策支持的角度對數(shù)據(jù)挖掘和數(shù)據(jù)倉庫在高校體育數(shù)據(jù)分析中的可行性進(jìn)行了論證。桑國強(qiáng)等［8］應(yīng)用數(shù)據(jù)挖掘及邏輯推理法對體育院校輔導(dǎo)員不同的管理行為及與學(xué)生管理效益之間的關(guān)系進(jìn)行了研究，得出了動態(tài)平衡型管理行為可提高管理工作的效益的結(jié)論。茅潔等［5］將神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘理論與生化指標(biāo)相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的特性分析預(yù)測運(yùn)動成績。茅潔等［6］將灰色ART聚類分析方法的理論與生化指標(biāo)數(shù)據(jù)相結(jié)合，對運(yùn)動成績進(jìn)行了分析預(yù)測，研究了灰色ART聚類分析方法在運(yùn)動生化指標(biāo)的應(yīng)用及意義，為運(yùn)動員競技體能的分析、解釋、預(yù)測提供了量化依據(jù)，提高了教練員培養(yǎng)后備運(yùn)動員的科學(xué)性、智能性，同時(shí)，也為正確跟蹤每個(gè)運(yùn)動員的不同競技狀況，采用不同的科學(xué)訓(xùn)練指導(dǎo)方案、訓(xùn)練手段提供了科學(xué)依據(jù)。趙會群等［13］將馬爾科夫過程模型應(yīng)用于體育比賽戰(zhàn)術(shù)分析評價(jià)，成功預(yù)測了比賽制勝的關(guān)鍵。鄭丹青等［14］提出了一個(gè)基于決策樹的胃癌臨床醫(yī)療信息分析應(yīng)用研究模型，運(yùn)用SPRINT算法，構(gòu)建胃癌術(shù)后復(fù)發(fā)的危險(xiǎn)因素分析模型。通過對模型分析，尋找疾病的臨床診斷、治療和預(yù)后的關(guān)系，證實(shí)了胃癌術(shù)后復(fù)發(fā)首要危險(xiǎn)因素。

2.2 SPRINT算法

為了克服原有SPRINT算法［19］的不足，不同的學(xué)者從不同的角度提出了一系列SPRINT算法的變體并取得了較好的效果。劉友軍等［4］對SPRINT算法進(jìn)行了改進(jìn)，采用純區(qū)間的方法對數(shù)值型屬性進(jìn)行規(guī)約，用等寬直方圖的方式對屬性值域進(jìn)行了劃分，按照純區(qū)間和非純區(qū)間分別進(jìn)行規(guī)約和精確計(jì)算的方式對屬性進(jìn)行處理，減小了計(jì)算量的同時(shí)保證了分裂的精度。WU等［21］采用了與文獻(xiàn)［4］類似的方法，將改進(jìn)的算法應(yīng)用于畢業(yè)設(shè)計(jì)過程管理系統(tǒng)（Graduation Design Process Management System）取得了良好的效果。許向陽等［10］提出一種快速尋找最佳分割點(diǎn)的方法克服SPRINT算法計(jì)算量大的缺點(diǎn)，該方法采用區(qū)間評估、篩選和局部逐一搜索等策略，大幅度地縮小了SPRINT算法的搜索空間。彭程等［7］針對SPRINT算法中的尋找連續(xù)屬性最佳分割點(diǎn)計(jì)算量大的問題，改進(jìn)了尋找連續(xù)屬性最佳分割點(diǎn)的方法。改進(jìn)后的方法可減少候選分割點(diǎn)的數(shù)目，從而減少計(jì)算量和計(jì)算時(shí)間。于蕾等［11］還引入了一種動態(tài)的數(shù)據(jù)結(jié)構(gòu)，將改進(jìn)的SPRINT算法應(yīng)用于分布式環(huán)境下，減少了屬性列表占用的存儲空間以及分割節(jié)點(diǎn)操作所需的時(shí)間。

3 SPRINT算法

3.1 SPRINT算法基本思想

SPRINT算法中首先采用遞歸的方法構(gòu)造決策樹，與其他決策算法類似，都是采用自頂向下的方式進(jìn)行的，在決策樹的生成過程中包含生成樹的創(chuàng)建和剪枝兩個(gè)階段。生成樹的創(chuàng)建算法如下:

SPRINT算法中的剪枝策略采用了最小描述長度（Minimum Description Length，簡稱 MDL）原則［15］。在生成決策樹的過程中，樣本集T以及分割樣本集T1、T2分別代表樹中的結(jié)點(diǎn)，其中，T1、T2是T的兩個(gè)分枝結(jié)點(diǎn)。因此，這種方法形成的決策樹是一棵二叉樹。

3.2 算法實(shí)現(xiàn)

為了生成決策結(jié)果，在算法中必須對節(jié)點(diǎn)進(jìn)行分裂，分裂的優(yōu)良程度是采用分裂指數(shù)來度量的，常用的分裂指數(shù)主要有Gini指數(shù)（Gini index）、信息增益比例等。在SPRINT算法中采用了Gini指數(shù)作為度量指標(biāo)。一個(gè)具有n條記錄的數(shù)據(jù)集S可歸納到c個(gè)互不相關(guān)的類中，在對集合S進(jìn)行決策分類的過程中，集合S的Gini值是:

如果用m表示S中屬于類j的記錄數(shù)，那么pj＝m／n。

將集合S按照規(guī)則cond劃分成S1和S2兩個(gè)子集，那么規(guī)則cond的度量值可記為GiniD（S，cond），定義如式（2）:

其中，n1、n2分別為 S1、S2的記錄數(shù)。GiniD（S，cond）越小，表明分裂規(guī)則越好。

由于分裂只會發(fā)生在兩個(gè)節(jié)點(diǎn)之間，并且數(shù)值型屬性A的分裂形式為A≤v，因此，可以先對數(shù)值型屬性進(jìn)行排序得到v1，v2，…，vn，共有n-1種分裂的可能性。為了取得最佳分裂點(diǎn)，傳統(tǒng)的做法是取中點(diǎn)（vi＋vi＋1）／2作為分裂點(diǎn)，最后在不同的分裂點(diǎn)中取Gini值最小的點(diǎn)作為最佳分裂點(diǎn)。

傳統(tǒng)方法雖然能夠找到最佳分裂點(diǎn)，但是在算法實(shí)現(xiàn)過程中使用的是遍歷所有結(jié)點(diǎn)的方法，是一種蠻力算法，分裂過程中占用的臨時(shí)空間達(dá)數(shù)據(jù)規(guī)模的3倍以上，并且時(shí)間復(fù)雜度相對較高，對于指數(shù)型尤其是超大規(guī)模的數(shù)值屬性效率很低。

4 基于趨勢選擇的SPRINT算法

為了克服SPRINT算法進(jìn)行精確查找過程中占用空間過大、時(shí)間復(fù)雜度過高的缺點(diǎn)，本文不加證明地引用文獻(xiàn)［4］中提出的純區(qū)間概念，采用等深度直方圖［18，20］的方法對訓(xùn)練集連續(xù)的值域進(jìn)行等值分割成q個(gè)區(qū)間，進(jìn)行分段處理，在計(jì)算方法上各個(gè)區(qū)間可以進(jìn)行并行計(jì)算，在一定程度上可降低計(jì)算的工作量。在對區(qū)間分割處理時(shí)，對純區(qū)間進(jìn)行規(guī)約，對非純區(qū)間則用估計(jì)最佳分割點(diǎn)的方法進(jìn)行，在可能出現(xiàn)最佳分割點(diǎn)的區(qū)間進(jìn)行查找。

4.1 基本定義與性質(zhì)

定義1:對于某個(gè)數(shù)值型屬性，區(qū)間Ci為純區(qū)間當(dāng)且僅當(dāng)區(qū)間［vb，vt］中的所有記錄屬于同一個(gè)類Ci。

定理1:設(shè)［a，b］上的連續(xù)函數(shù)f（x）在（a，b）內(nèi)具有一階和二階導(dǎo)數(shù)，那么:1）若在（a，b）內(nèi)f″（x）＞0，則f（x）在［a，b］上是凹的；2）若在（a，b）內(nèi)f″（x）＜0，則f（x）在［a，b］上是凸的。

定理2:f（x）在純區(qū)間上是凸函數(shù)。

證明:設(shè)S為待劃分的數(shù)據(jù)集，［vl，vu］為一個(gè)區(qū)間，數(shù)據(jù)集S的大小、S中類的個(gè)數(shù)分別表示為n、c，根據(jù)式（2）可得GiniD在點(diǎn)vl的值可表示為式（3）。

其中，xi，yi分別表示類i中小于或等于vl、vu的記錄數(shù)；nl＝＝，分別表示小于等于vl、vu的記錄數(shù)；ci表示類i中所有記錄數(shù)。也就是有式（4）成立。

對于Ck的一個(gè)純區(qū)間［vb，vt］，在式（3）中，xi（i＝1，2，…，c）中表示該純區(qū)間第k個(gè)類的記錄數(shù)為xk，只有xk變化，令xk＝x，ck＝C，則式（3）可以轉(zhuǎn)化為一個(gè)關(guān)于x的函數(shù)。

對于式（3），令:若［vb，vt］是對于Ck的純區(qū)間，在式（3）中該純區(qū)間的第k個(gè)類的記錄數(shù)為xk，令xk＝x，ck＝C，則式（3）為一個(gè)關(guān)于x的函數(shù)。令:nl＝＝A＋x＝B＋x2，（ci-cxi）2＝D＋（C-x）2。其中，A、B、C、D 均為≥0的常數(shù)，則式（3）關(guān)于x的函數(shù)可表示為式（5）。

式（5）的二階導(dǎo)數(shù)為:

因?yàn)锳、B、C、D 均為大于等于0的常數(shù)，x＞0，n＞nl＝A＋x，（A＋x）3和（n-A-x）3是大于0的數(shù)，所以有f″（x）＜0。根據(jù)定理1可知，f（x）在純區(qū)間［vb，vt］上是凸函數(shù)。

定理3:如果在連續(xù)屬性的屬性表中確定分割點(diǎn)v的兩個(gè)元組的類別相同，那么至少存在另一個(gè)分割點(diǎn)v′使得v′的Gini參數(shù)值小于分割點(diǎn)v的Gini參數(shù)值［7］。

根據(jù)定理2知式（3）在Ck的一個(gè)純區(qū)間［vb，vt］內(nèi)的極小值只可能出現(xiàn)在區(qū)間的邊界點(diǎn)處。數(shù)值型屬性一般都服從高斯分布［16］，在等寬劃分的區(qū)間中存在大量的純區(qū)間。因此，可以直接將純區(qū)間進(jìn)行剪枝，只要計(jì)算各個(gè)純區(qū)間的邊界點(diǎn)處的Gini值；對于非純區(qū)間首先判斷分割點(diǎn)v的兩個(gè)元組的類別是否相同，只有當(dāng)兩個(gè)元組類別不同時(shí)才計(jì)算其Gini值。

4.2 趨勢選擇法

由于連續(xù)屬性的GiniD是連續(xù)的，對于非純區(qū)間首先采用趨勢選擇法（Trend Selection Method）估計(jì)GiniD的下限值，假設(shè)j在v1取得最小斜率，用yj代替xj，使用公式（3）來計(jì)算新的GiniD，如果GiniD（S，a≤vl）＞GiniD（S，a≤vu），那么 GiniD在區(qū)間［vl，vu］上是凸的，區(qū)間［vl，vu］被剪枝。候選分割點(diǎn)的 GiniD值為 min｛GiniD（S，a≤vl），GiniD（S，a≤vu）｝。基于趨勢選擇的候選分割算法（Trend Selection Based Candidate Segmentation Algorithm，簡稱TESTCASE算法）如下:

最后在候選區(qū)間中搜索最佳分割點(diǎn)，圖2給出了一個(gè)示例區(qū)域中區(qū)間分布及Ginilow＞Ginican＿low的情況，其中，陰影覆蓋的柱狀區(qū)間就是候選區(qū)間。

圖2 候選區(qū)間及Gini下限估計(jì)值示意圖Figure 2.Candidate Interval and Estimate Gini Lower

4.3 基于趨勢選擇的SPRINT算法

在基于趨勢選擇方法的基礎(chǔ)上，本文提出一種基于趨勢選擇的SPRINT算法。本文提出的算法采用了純區(qū)間歸約的方法和基于趨勢選擇的方法來處理數(shù)值型屬性，首先采用寬度優(yōu)先的方法構(gòu)建生成樹，針對連續(xù)屬性的區(qū)間進(jìn)行了剪枝，從而減少計(jì)算量，快速確定最佳分割點(diǎn)，還使用Gini指標(biāo)對數(shù)值型屬性進(jìn)行評估，保證了算法的精確性。TESTSPRINT算法的詳細(xì)描述:

算法中，集合T、T1、T2分別代表樹中的結(jié)點(diǎn)。由于每個(gè)屬性對應(yīng)的最佳分割點(diǎn)只有一個(gè)，因此，最后生成的決策樹是一棵二叉樹。

4.4 算法分析

由于TESTSPRINT算法中進(jìn)行了大量的區(qū)間剪枝和候選分割點(diǎn)的剪枝，即TESTSPRINT算法的主要優(yōu)點(diǎn)在于屬性分割和決策樹的構(gòu)建可以并行進(jìn)行，下面從時(shí)間復(fù)雜度和空間復(fù)雜度兩個(gè)方面進(jìn)行分析。

設(shè)數(shù)據(jù)集S中共有n條記錄包括c個(gè)互不相關(guān)的類，在生成決策樹的過程中共劃分為q個(gè)區(qū)間，每個(gè)區(qū)間的記錄數(shù)為ni；在改進(jìn)的算法中非純區(qū)間數(shù)為b。在相同條件下對SPRINT算法和本文提出的TESTSPRINT算法在時(shí)間復(fù)雜度和空間復(fù)雜度兩方面進(jìn)行對比。

首先，在預(yù)處理階段中，SPRINT算法構(gòu)建屬性表的時(shí)間復(fù)雜度為O（n），對屬性預(yù)排序的時(shí)間復(fù)雜度為O（nlogn），因此，SPRINT 算法的時(shí)間復(fù)雜度為 O（n）＋O（nlogn）＝O（nlogn）。而在本文提出的TESTSPRINT算法中，估算每一個(gè)區(qū)間邊界的Gini值的時(shí)間代價(jià)為O（qc），構(gòu)建屬性表和建立分區(qū)直方圖列表的時(shí)間復(fù)雜度均為O（n），對每個(gè)非純區(qū)間中的精確Gini值的時(shí)間代價(jià)最壞情況為O），因此，TESTSPRINT算法的時(shí)間復(fù)雜度為O（qc）＋2 O（n）＋O（）＝O（n）。

TESTSPRINT算法只對非純區(qū)間進(jìn)行局部排序，有效提高了排序的效率，同時(shí)，純區(qū)間規(guī)約、非純區(qū)間和候選結(jié)點(diǎn)的剪枝都減空間少了Gini值的計(jì)算量。無論從時(shí)間復(fù)雜度的角度，還是空間復(fù)雜度的角度看，本文提出的TESTSPRINT算法在性能上都有一定的提升。

5 實(shí)驗(yàn)驗(yàn)證

通過實(shí)驗(yàn)比較來研究本文提出的基于趨勢選擇的SPRINT算法的性能和有效性。實(shí)驗(yàn)中所采用的數(shù)據(jù)包括新疆師范大學(xué)225名受試者的體質(zhì)測量數(shù)據(jù)和決策分析常用的STATLOG數(shù)據(jù)集。對新疆師范大學(xué)受試者進(jìn)行體質(zhì)測量項(xiàng)目主要包括身高、體重、握力、臺階指數(shù)和BMR值，其中，訓(xùn)練集包含150組數(shù)據(jù)，測試集包含75組數(shù)據(jù)。STATLOG中Segement數(shù)據(jù)集包含2310條記錄；Shuttle包含58000條記錄；Satimage數(shù)據(jù)集包含6435條記錄。

本文所有實(shí)驗(yàn)均在相同的軟、硬件條件下完成，實(shí)驗(yàn)的硬件環(huán)境為Intel（R）Core（TM）i5-25200四核64位2.5GHz的CPU和4GB的內(nèi)存，軟件環(huán)境為Windows 7-64 bit（professional）操作系統(tǒng)，所有代碼均用Java（64bit JDK）和Matlab 2012實(shí)現(xiàn)。

5.1 算法校驗(yàn)

為了驗(yàn)證算法的準(zhǔn)確性和穩(wěn)定性，本文首先使用數(shù)據(jù)挖掘中常用的STATLOG數(shù)據(jù)集對算法的準(zhǔn)確性進(jìn)行了驗(yàn)證，STATLOG 數(shù)據(jù)集包含Segement、Shuttle和Satimage-Sanger數(shù)據(jù)包，其中，Segement共包含2310條記錄，Shuttle中包含58000條記錄，訓(xùn)練集43500條記錄、測試集14500條記錄；Satimage Sanger共包含6435條記錄，訓(xùn)練集和測試集分別包含4435條記錄和2000條記錄。計(jì)算結(jié)果如表1所示。

由表1可知，TESTSPRINT算法分割結(jié)果與原SPRINT算法基本相同，TESTSPRINT算法的精確度已經(jīng)能夠達(dá)到99%以上，其精確度是可接受的。

表1 本研究精確Gini值和不同區(qū)間數(shù)下TESTSPRINT算法得到的Gini值一覽表Table 1 Exact Gini Value and Compute Value under Different Intervals of TESTSPRINT

5.2 數(shù)據(jù)采集

測試中采用HHTC／WL-100型握力測試儀測量受試者握力，測力范圍:5～99.9kgf，測量分辨率0.1kgf，測量誤差:±0.3kgf。受試者兩腳自然分開，成直立姿勢，兩臂自然下垂，掌心向內(nèi)，手臂不得左右擺動，握力計(jì)與身體的任何部位都不得有接觸，快速全力發(fā)力。對每位受試者進(jìn)行2次測試，取2次測試結(jié)果的最大值作為記錄值。

采集臺階指數(shù)使用HHTC／TJ-100型臺階試驗(yàn)儀，測量范圍:0～300次／min，測量分辨率:1次，測量誤差:±1次。受試者在測試之前可做輕微的準(zhǔn)備活動，主要是活動下肢。受試者按照2s上下一次臺階的音樂節(jié)奏上下踏臺，音樂節(jié)奏為120次／min，每次4拍，上下踏臺的持續(xù)時(shí)間為3min。臺階高度女生為35cm，男生為40cm。上下臺階的運(yùn)動停止后，受試者在30s內(nèi)在相應(yīng)位置靜坐，將手指平放在桌子上，手指盡可能與心臟同高。測試者用指脈測試夾測試受試者脈搏，測試時(shí)間為3.5min，記錄測試結(jié)果。

對于BMR值的測試是在基礎(chǔ)狀態(tài)下使用InBody 3.0人體成分分析儀進(jìn)行的。InBody 3.0每次測試時(shí)間不超過2min，測試體重范圍:10～250kg，測試年齡范圍:6～99歲。Inbody 3.0人體成分分析儀檢測項(xiàng)目主要包括:基礎(chǔ)代謝率（BMR）；身體質(zhì)量參數(shù)（BMI）、體重（kg）等。綜合幾項(xiàng)測試結(jié)果可以得出受試者的體質(zhì)質(zhì)量（表2）。

表2 本研究數(shù)據(jù)格式示例一覽表Table 2 Example Data Format

5.3 實(shí)驗(yàn)分析

在常規(guī)體質(zhì)判斷中我們希望根據(jù)一些簡單測試的數(shù)據(jù)即可判斷受試者的體質(zhì)質(zhì)量，由于BMR在臨床上可以快速確定人體體質(zhì)狀況，但是其測試方法復(fù)雜，測試成本相對較高，不便于快速測試。因此，本實(shí)驗(yàn)根據(jù)本文提出的TESTSPRINT算法對身高、體重、握力和臺階指數(shù)等基本數(shù)據(jù)快速進(jìn)行決策分析，即可得出體質(zhì)質(zhì)量標(biāo)準(zhǔn)。在此基礎(chǔ)上利用測試集中BMR值，即可判斷決策分析的準(zhǔn)確度。

由于體質(zhì)質(zhì)量有優(yōu)秀、良好、健康、亞健康、不健康5種描述方法，分別用數(shù)字0、1、2、3、4代表體質(zhì)質(zhì)量的5種等級，因此，在實(shí)驗(yàn)中將數(shù)據(jù)集劃分成5個(gè)區(qū)間來進(jìn)行計(jì)算。通過示例數(shù)據(jù)根據(jù)原始SPRINT構(gòu)建的決策樹如圖3所示。

圖3 本研究原始SPRINT構(gòu)建的示例數(shù)據(jù)決策樹示意圖Figure 3.Decision Tree Build by the Original SPRINT Algorithm

首先分別對訓(xùn)練集和測試集的數(shù)據(jù)進(jìn)行模擬分析（圖4、圖5）。

圖4 本研究訓(xùn)練集數(shù)據(jù)示意圖Figure 4.Training Set Data Diagram

然后使用訓(xùn)練集數(shù)據(jù)對決策樹進(jìn)行建模，在此基礎(chǔ)上對測試集數(shù)據(jù)進(jìn)行評估，發(fā)現(xiàn)共有3組類別，出現(xiàn)異常數(shù)據(jù)1個(gè)，算法準(zhǔn)確率為99.56%，原始SPRINT算法準(zhǔn)確率為98.2%。其中，原始SPRINT算法與本文提出的TESTSPRINT算法殘差與殘差區(qū)間杠桿圖分別如圖6、圖7所示。

對比圖6與圖7可知，原始SPRINT算法得出的結(jié)論中存在部分噪音數(shù)據(jù)，影響了決策分析結(jié)果的準(zhǔn)確性，而本文提出的TESTSPRINT算法決策分析的結(jié)果較原始SPRINT算法在一定程度上有所提高。本文提出的TESTSPRINT算法在人體體質(zhì)數(shù)據(jù)分析中具有較高的準(zhǔn)確率，預(yù)測能力在可接受的范圍內(nèi)。

圖5 本研究測試集數(shù)據(jù)示意圖Figure 5.Test Set Data Diagram

圖6 本研究原始SPRINT算法殘差與殘差區(qū)間圖Figure 6.Residuals and Residual Interval Graph of Original SPRINT Algorithm

圖7 本研究TESTSPRINT算法殘差與殘差區(qū)間圖Figure 7.Residuals and Residual Interval Graph of TESTSPRINT Algorithm

6 結(jié)語和未來工作展望

6.1 結(jié)語

本文引用了純區(qū)間的概念，提出了趨勢選擇方法，在此基礎(chǔ)上提出TESTSPRINT算法。利用Gini指數(shù)函數(shù)在純區(qū)間上是凸函數(shù)并且數(shù)值型屬性一般服從高斯分布的特點(diǎn)以及Gini指數(shù)函數(shù)一階偏導(dǎo)預(yù)測函數(shù)走向的特性，對SPRINT算法在處理數(shù)值型屬性部分進(jìn)行了優(yōu)化。理論分析和實(shí)驗(yàn)結(jié)果表明，TESTSPRINT算法在一定程度上可以提高算法的效率。在體質(zhì)分析中可以應(yīng)用該算法進(jìn)行快速決策，判斷人體體質(zhì)狀況。例如，可以根據(jù)身高、體重、握力等簡單測試數(shù)據(jù)快速建立人體體質(zhì)狀況決策樹，為有效快速的確定人體體質(zhì)健康狀況提供決策依據(jù)，具有較高的準(zhǔn)確性，并且時(shí)間和空間開銷較原SPRINT算法小。當(dāng)然，劃分的區(qū)間數(shù)對改進(jìn)的算法的計(jì)算時(shí)間代價(jià)有一定的影響，如何有效的選取區(qū)間數(shù)，以便更好地減少非純區(qū)間的數(shù)量、降低對非純區(qū)間的排序代價(jià)及如何在更大程度上對非純區(qū)間候選分割點(diǎn)進(jìn)行剪枝，有待進(jìn)一步的優(yōu)化。

我國體質(zhì)監(jiān)測工作進(jìn)行多年來，建立了大量體質(zhì)信息數(shù)據(jù)庫。一方面，長期積累的大量數(shù)據(jù)的分析工作一直都是對體育工作研究者的重大考驗(yàn)，一種簡便有效的分析方法無疑可以減輕體質(zhì)數(shù)據(jù)分析的負(fù)擔(dān)，并且，TESTSPRINT算法可以實(shí)現(xiàn)對體質(zhì)健康狀況快速的給出反饋結(jié)論，便于受試者大致了解自身健康狀況，以及體育相關(guān)工作者及時(shí)給出專業(yè)的指導(dǎo)建議。另一方面，現(xiàn)行體質(zhì)測試采集指標(biāo)繁多，測試和統(tǒng)計(jì)工作都要耗費(fèi)大量人力、財(cái)力來支撐，本文提出的TESTSPRINT算法可以運(yùn)用簡單的體質(zhì)數(shù)據(jù)來評價(jià)體質(zhì)健康狀況，在未來的體質(zhì)監(jiān)測程序中也許可以嘗試簡化體質(zhì)測試指標(biāo)，提高精確性，結(jié)合先進(jìn)的計(jì)算機(jī)技術(shù)來達(dá)到監(jiān)測國民體質(zhì)的目的。

6.2 未來工作展望

隨著國民體質(zhì)素質(zhì)越來越受到政府和公民的重視，體育監(jiān)測數(shù)據(jù)系統(tǒng)已經(jīng)趨向于不同地區(qū)實(shí)現(xiàn)數(shù)據(jù)共享，我國已經(jīng)開始構(gòu)建國家體育地理信息系統(tǒng)［9］和羽毛球運(yùn)動員戰(zhàn)術(shù)意識測評及其多媒體訓(xùn)練系統(tǒng)［2］等單項(xiàng)測評系統(tǒng)。展望未來，我國國民體質(zhì)監(jiān)測數(shù)據(jù)呈現(xiàn)出不同地理位置上的數(shù)據(jù)共享，數(shù)據(jù)庫系統(tǒng)的數(shù)據(jù)量的增加將導(dǎo)致未來國民體質(zhì)數(shù)據(jù)分析必須采用分布式海量數(shù)據(jù)計(jì)算方法。因此，在對國民體質(zhì)數(shù)據(jù)分析時(shí)，不僅要著眼于本地?cái)?shù)據(jù)處理方法的優(yōu)化，更要注重分布式海量數(shù)據(jù)處理方法的研究。另一方面，當(dāng)前體育數(shù)據(jù)分析主要還是使用簡單的統(tǒng)計(jì)分析的方法，需要深層次挖掘體育數(shù)據(jù)的內(nèi)涵，得出更多更精確的結(jié)論還需要更多地致力于數(shù)據(jù)挖掘算法及其在體育數(shù)據(jù)分析中的應(yīng)用場景研究。

［1］陳小平.力量訓(xùn)練的發(fā)展動向與趨勢［J］.體育科學(xué)，2004，24（9）:36-40.

［2］程勇民，金花，周衛(wèi)星，等.羽毛球運(yùn)動員戰(zhàn)術(shù)意識測評及其多媒體訓(xùn)練系統(tǒng)的研制［J］.廣州體育學(xué)院學(xué)報(bào)，2009，29（2）:57-61.

［3］李慧玲，林子.數(shù)據(jù)倉庫和數(shù)據(jù)挖掘在高校體育數(shù)據(jù)分析中的應(yīng)用［J］.廣州體育學(xué)院學(xué)報(bào)，2005，25（5）:126-128.

［4］劉友軍，汪林林.SPRINT 算法的改進(jìn)［J］.計(jì)算機(jī)工程，2006，32（16）:55-57.

［5］茅潔，蔣雄文，梅焰.神經(jīng)網(wǎng)絡(luò)在運(yùn)動生化指標(biāo)中的應(yīng)用［J］.武漢體育學(xué)院學(xué)報(bào)，2004，38（4）:53-55.

［6］茅潔，梅焰.灰色ART聚類分析法在競技體育生化指標(biāo)監(jiān)控中的應(yīng)用［J］.武漢體育學(xué)院學(xué)報(bào)，2005，39（10）:50-52.

［7］彭程，羅可.SPRINT算法中尋找連續(xù)屬性分割點(diǎn)方法的改進(jìn)［J］.計(jì)算機(jī)工程與應(yīng)用，2006，42（27）:159-161.

［8］桑國強(qiáng).體育院校輔導(dǎo)員管理行為效益模糊分析［J］.武漢體育學(xué)院學(xué)報(bào)，2013，47（2）:81-86.

［9］史兵，王宇紅.關(guān)于構(gòu)建國家體育地理信息系統(tǒng)的初步研究［J］.西安體育學(xué)院學(xué)報(bào)，2007，24（2）:1-8.

［10］許向陽，龔永華.SPRINT算法的改進(jìn)［J］.計(jì)算機(jī)工程與應(yīng)用，2003，39（33）:187-189.

［11］于蕾，劉大有，高瀅，等.改進(jìn)SPRINT算法及其在分布式環(huán)境下的研究［J］.吉林大學(xué)學(xué)報(bào)（理學(xué)版），2008，46（6）:1119-1124.

［12］于岱峰，鐘亞平，于亞光.基于數(shù)據(jù)挖掘技術(shù)在人體肌肉力量數(shù)據(jù)分析中的應(yīng)用——以人體握力肌肉力量測試數(shù)據(jù)研究為例［J］.體育科學(xué)，2010，30（2）:70-74.

［13］趙會群，孫晶，花勇民，等.數(shù)據(jù)挖掘技術(shù)在體育比賽技戰(zhàn)術(shù)分析中的應(yīng)用研究［J］.北京體育大學(xué)學(xué)報(bào)，2008，31（5）:712-715.

［14］鄭丹青.基于SPRINT算法的胃癌臨床醫(yī)療數(shù)據(jù)挖掘研究［J］.吉林師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，33（2）:121-124.

［15］GERARDO RICHARTE.Four different tricks to bypass Stack Shield and Stack Guard protection［EB／OL］.http:／／www2.corest.com／files／files／11／StackguardPaper.pdf，April-June 2002.

［16］HAN J，KAMBER M.Data Mining:Concepts and Techniques［M］.Beijing:High Edu Press，2001:279-301.

［17］J R QUINLAN.C4.5:Programs for Machine Leaning［M］.Los Altos:Morgan Kaufmann Publishers，Inc 1993.

［18］MEHTA M，AGRAWAL R，RISSANEN J.SLIQ:A fast scalable classifier for data mining［A］.In:Proceedings of 1996International Conference on Extending Databases Technology［C］.Avignon:1996:18-32.

［19］SHAFER J，AGRAWAL R，MEHTA M.SPRINT:A scalable parallel classifier for data mining［A］.In:Proceedings of the 1996Int Conference Very Large Data Bases［C］.Bombay，1996:544-555.

［20］U FAYYAD，K IRANI.Multi-interval discretization of continuous-values attributes for classification learning［A］.In:Proc 13th Intl Joint Conf Artificial Intelligence［C］.Chambery:1993.

［21］YAN-WEN WU，LI LI，SHENG-YI ZHAO，et al.Application of improved SPRINT algorithm in the graduation design process management system［A］.Zhang Jiajie，Workshop on Intelligent Information Technology Application［M］.China，IEEE Computer Soc，2007:252-255.