林灃

【摘 要】以現(xiàn)有的數(shù)據(jù)挖掘決策樹(shù)算法作為理論支撐，從就業(yè)數(shù)據(jù)出發(fā)，按照數(shù)據(jù)挖掘的基本步驟和方法，執(zhí)行C4.5決策樹(shù)算法對(duì)數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)測(cè)，從積累的大量數(shù)據(jù)中得到以就業(yè)類(lèi)別為屬性的分類(lèi)規(guī)則，以此為學(xué)校領(lǐng)導(dǎo)機(jī)構(gòu)提供決策支持，提高就業(yè)水平，對(duì)就業(yè)指導(dǎo)工作具有一定的現(xiàn)實(shí)意義。

【關(guān)鍵詞】C4.5 數(shù)據(jù)挖掘 決策樹(shù) 就業(yè)信息庫(kù)

【中圖分類(lèi)號(hào)】 G 【文獻(xiàn)標(biāo)識(shí)碼】 A

【文章編號(hào)】0450-9889（2015）03C-0181-03

隨著高校的大規(guī)模擴(kuò)招，學(xué)生人數(shù)逐年遞增，畢業(yè)生的大量輸出給社會(huì)帶來(lái)巨大的壓力，學(xué)生就業(yè)管理工作趨向于復(fù)雜化，如何能夠有效地提高畢業(yè)生就業(yè)率在高校中已經(jīng)成為一個(gè)急待解決的問(wèn)題。然而我們通常做的都只是表面的去統(tǒng)計(jì)畢業(yè)生的就業(yè)數(shù)據(jù)，不進(jìn)行深層次的數(shù)據(jù)分析，得到的往往也只是表面信息。合理利用現(xiàn)代化的信息手段整理過(guò)往畢業(yè)生的就業(yè)數(shù)據(jù)，從中尋找影響用人單位錄用畢業(yè)生的關(guān)鍵要素才是解決問(wèn)題的關(guān)鍵所在。

有效利用數(shù)據(jù)挖掘技術(shù)對(duì)大學(xué)畢業(yè)生就業(yè)信息進(jìn)行分析，將信息中內(nèi)在的聯(lián)系挖掘出來(lái)，這是傳統(tǒng)的、表層的評(píng)價(jià)方法無(wú)法做到的。本文將選取決策樹(shù)C4.5算法構(gòu)建就業(yè)決策分類(lèi)樹(shù)抽取規(guī)則知識(shí)，原因是就業(yè)數(shù)據(jù)具有分類(lèi)的預(yù)知性、離散性的特點(diǎn)。

一、決策樹(shù)算法

決策樹(shù)方法的原始啟蒙來(lái)源于概念學(xué)習(xí)系統(tǒng)，屬于數(shù)據(jù)挖掘核心技術(shù)算法之一，有一定的優(yōu)勢(shì)。它的特點(diǎn)是基于實(shí)例數(shù)據(jù)，將大量數(shù)據(jù)有目的地分類(lèi)，把一個(gè)復(fù)雜的問(wèn)題分成更簡(jiǎn)單的問(wèn)題并重復(fù)使用這一技巧，找出潛在的、對(duì)決策有利用價(jià)值的信息，決策樹(shù)算法多數(shù)情況下應(yīng)用在預(yù)測(cè)模型中。如果引用信息論中的說(shuō)法，就是在選擇決策節(jié)點(diǎn)屬性時(shí)，用信息增益來(lái)進(jìn)行判定。

所謂決策樹(shù)，實(shí)際上是一種形象的叫法，它是由決策節(jié)點(diǎn)、分支、葉子和連接線組成，其形狀類(lèi)似倒長(zhǎng)的樹(shù)型結(jié)構(gòu)。決策樹(shù)的節(jié)點(diǎn)一般用矩形表示，代表一個(gè)非類(lèi)別屬性，每個(gè)葉子用橢圓形表示，代表一個(gè)類(lèi)別。矩形和橢圓形的連接線代表一條分支，每條分支代表著這個(gè)屬性可能出現(xiàn)的值。每一條從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的路徑則代表著一條分類(lèi)規(guī)則。

目前眾多決策樹(shù)算法中最為著名的是Quinlan在ID3算法的基礎(chǔ)上進(jìn)行改進(jìn)提出來(lái)的C4.5算法。C4.5算法的先進(jìn)性體現(xiàn)在：C4.5算法比ID3算法先進(jìn)的方面在于選擇屬性時(shí)采用的是信息增益率去替代信息增益，使得在屬性選擇時(shí)不會(huì)對(duì)取值多的屬性帶有更強(qiáng)的偏向性，所得出的計(jì)算結(jié)果更準(zhǔn)確；分析連續(xù)型屬性是C4.5算法又一改進(jìn)，并且當(dāng)在樣本集中出現(xiàn)空缺的屬性值時(shí)，C4.5算法也能進(jìn)行處理，從而提高結(jié)果的準(zhǔn)確性；C4.5算法能夠直接將連續(xù)值屬性進(jìn)行分割，分別計(jì)算信息增益率，并選取結(jié)果當(dāng)中信息增益率最大的分割為屬性標(biāo)準(zhǔn)，從而轉(zhuǎn)換為離散的二值屬性，完成對(duì)連續(xù)型屬性的離散化處理；C4.5算法在構(gòu)造樹(shù)的過(guò)程中采用后修剪枝葉的方法，能有效的控制決策樹(shù)的高度，同時(shí)，相對(duì)其他的算法而言C4.5生成的決策樹(shù)分枝也有所減少。

為了能使用最小的信息構(gòu)造最為簡(jiǎn)單的決策樹(shù)，在對(duì)訓(xùn)練樣本子集進(jìn)行分類(lèi)時(shí)，在選取當(dāng)前節(jié)點(diǎn)的測(cè)試屬性時(shí)，就必須把具有最高信息增益的屬性找出來(lái)。具體方法如下：

假設(shè)有訓(xùn)練樣本數(shù)據(jù)集S，類(lèi)別屬性C可以取k個(gè)不同的值，將訓(xùn)練樣本數(shù)據(jù)集S分為k個(gè)不同的類(lèi)Ci （i=1，2，……，k），Ri為數(shù)據(jù)集S中屬于Ci類(lèi)的子集，用ri表示子集Ri中的樣本數(shù)量。

用Pi表示任意樣本屬于類(lèi)別Ci的概率：，|S|表示集合S中的樣本數(shù)量。樣本集合S的平均不確定性和純度的高低是通過(guò)信息熵反映的。如果熵值越小，平均不確定性越低，純度越高。

每個(gè)屬性的信息增益率都可以由上述的公式計(jì)算出來(lái)，這樣集合S的決策樹(shù)的根節(jié)點(diǎn)就可以根據(jù)計(jì)算出來(lái)的信息增益率最高的屬性來(lái)確定，并以該屬性作為標(biāo)記屬性，對(duì)屬性的每一個(gè)值創(chuàng)建分枝，并據(jù)此劃分樣本。

二、數(shù)據(jù)預(yù)處理

（一）數(shù)據(jù)準(zhǔn)備

在本研究中，選擇畢業(yè)生的就業(yè)信息作為研究數(shù)據(jù)，通過(guò)分析畢業(yè)生在校的學(xué)習(xí)情況、專(zhuān)業(yè)及專(zhuān)業(yè)類(lèi)別等信息，挖掘出用人單位的行業(yè)性質(zhì)。在進(jìn)行構(gòu)造決策樹(shù)時(shí)，必須對(duì)數(shù)據(jù)進(jìn)行規(guī)格化處理，能保證數(shù)據(jù)的高質(zhì)量和一致性。同時(shí)還要對(duì)用人單位行業(yè)性質(zhì)的文字描述進(jìn)行量化和對(duì)學(xué)習(xí)情況等決策屬性進(jìn)行離散化。

（二）數(shù)據(jù)的轉(zhuǎn)換

在所采集的數(shù)據(jù)中選取4項(xiàng)作為實(shí)驗(yàn)樣本。選取學(xué)習(xí)成績(jī)、外語(yǔ)水平、實(shí)踐能力、就業(yè)方向構(gòu)成四維向量表。數(shù)據(jù)選擇如下：學(xué)習(xí)成績(jī)（CJ）采集學(xué)習(xí)成績(jī)的平均值分段劃分為三級(jí)，中等（CJ<75），良好（75≤CJ≤85），優(yōu)秀（CJ≥85）。外語(yǔ)水平（WY）劃分為兩級(jí)，通過(guò)全國(guó)英語(yǔ)等級(jí)B級(jí)，通過(guò)全國(guó)英語(yǔ)等級(jí)四級(jí)。實(shí)踐能力（SJNL）劃分為三級(jí)，優(yōu)秀（實(shí)踐能力強(qiáng)），一般（實(shí)踐能力一般），差（實(shí)踐能力差）。就業(yè)方向（JYFX）劃分四級(jí)，國(guó)有企業(yè)事業(yè)單位（V），外資企業(yè)（X），私營(yíng)企業(yè)（Y），自主創(chuàng)業(yè)（Z）。

三、構(gòu)造決策樹(shù)

選取決策樣本數(shù)據(jù)集，如表1所示：

第一步，將樣本訓(xùn)練集中的分類(lèi)標(biāo)志屬性選出來(lái)，本例中選擇“就業(yè)方向”作為分類(lèi)標(biāo)志屬性，而“學(xué)習(xí)成績(jī)”“外語(yǔ)水平”“實(shí)踐能力”則作為決策樹(shù)的決策屬性集。將畢業(yè)生就業(yè)數(shù)據(jù)表中“就業(yè)方向”分為4類(lèi)：C1、C2、C3、C4分別代表國(guó)有企業(yè)事業(yè)單位：V；外資企業(yè)：X；私營(yíng)企業(yè)：Y；自主創(chuàng)業(yè)：Z。畢業(yè)生就業(yè)數(shù)據(jù)表中的20條記錄構(gòu)建決策樹(shù)的樣本集S的20個(gè)元組，其中C1、C2、C3、C4類(lèi)分別對(duì)應(yīng)的子集的元組個(gè)數(shù)分別為r1=5，r2=5，r3=7，r4=3。要得出每一個(gè)決策屬性的信息增益率，那么就要計(jì)算S的分類(lèi)期望信息量：

從信息增益率值可以看出值最大的是“實(shí)踐能力”屬性，所以將該屬性定為根節(jié)點(diǎn)構(gòu)建決策樹(shù)。

其余的分支點(diǎn)，我們可以通過(guò)重復(fù)上述的步驟得出，并生成最終的決策樹(shù)，如圖1所示。

根據(jù)決策樹(shù)可以直接提取分類(lèi)規(guī)則：

IF實(shí)踐能力=優(yōu)秀+英語(yǔ)水平=四級(jí)+學(xué)習(xí)成績(jī)=優(yōu)秀THEN就業(yè)類(lèi)別=X/V。

IF實(shí)踐能力=優(yōu)秀+英語(yǔ)水平=B級(jí)+學(xué)習(xí)成績(jī)=優(yōu)秀或良好THEN就業(yè)類(lèi)別=V。

IF實(shí)踐能力=一般+學(xué)習(xí)成績(jī)=良好+英語(yǔ)水平=B級(jí)THEN就業(yè)類(lèi)別=X/Y/Z。

IF實(shí)踐能力=一般+學(xué)習(xí)成績(jī)=中等+英語(yǔ)水平=B級(jí)THEN就業(yè)類(lèi)別=Y。

IF實(shí)踐能力=一般+學(xué)習(xí)成績(jī)=優(yōu)秀+英語(yǔ)水平=B級(jí)THEN就業(yè)類(lèi)別=X。

IF實(shí)踐能力=差+英語(yǔ)水平=B級(jí)+學(xué)習(xí)成績(jī)=中等THEN就業(yè)類(lèi)別=V/Y。

IF實(shí)踐能力=差+英語(yǔ)水平=B級(jí)+學(xué)習(xí)成績(jī)=良好THEN就業(yè)類(lèi)別=Y/Z。

從上述分類(lèi)規(guī)則中我們可以發(fā)現(xiàn)，不同的能力和水平對(duì)于提高學(xué)生就業(yè)層次具有非常微妙的影響，如果全面加強(qiáng)學(xué)生成績(jī)的培養(yǎng)，則提高畢業(yè)生進(jìn)入國(guó)企就業(yè)的數(shù)量；如果重視加強(qiáng)實(shí)踐能力和外語(yǔ)水平的雙方面培養(yǎng)，則能提高進(jìn)入外企就業(yè)的畢業(yè)生數(shù)量。當(dāng)然我們還可以擴(kuò)大訓(xùn)練樣本集，添加更多的數(shù)據(jù)，這樣所構(gòu)建的決策樹(shù)能反映數(shù)據(jù)之間更多的內(nèi)在聯(lián)系。

在當(dāng)前復(fù)雜的就業(yè)形勢(shì)下，文章提出了對(duì)就業(yè)數(shù)據(jù)進(jìn)行挖掘，并建立數(shù)據(jù)挖掘模型，利用C4.5決策樹(shù)算法，分析畢業(yè)生就業(yè)信息系統(tǒng)中的數(shù)據(jù)。并在通過(guò)算法建立的決策樹(shù)模型中，最終得到以就業(yè)類(lèi)別為屬性的分類(lèi)規(guī)則，進(jìn)一步分析這些分類(lèi)規(guī)則，能為學(xué)校的就業(yè)提供分析和決策。如能進(jìn)一步完善基于就業(yè)分析模型決策樹(shù)的分類(lèi)器，將決策樹(shù)技術(shù)引入高校學(xué)生就業(yè)信息中，尋求影響學(xué)生就業(yè)的主要因素，最終必將推動(dòng)高校教育管理的改革與發(fā)展。

【參考文獻(xiàn)】

[1] 張駿，王琴.C4.5算法在研究生就業(yè)信息庫(kù)中的應(yīng)用研究[J].信息技術(shù)，2009（11）

[2] 雷松澤，郝燕.基于決策樹(shù)的就業(yè)數(shù)據(jù)挖掘[J].西安工業(yè)學(xué)院學(xué)報(bào)，2005（10）

[3] 邱瑾.決策樹(shù)在高職學(xué)生就業(yè)數(shù)據(jù)分析中的應(yīng)用研究 [J].柳州職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2012（4）

[4] 利珊.數(shù)據(jù)挖掘在就業(yè)分析中的應(yīng)用[J].蘭州工業(yè)高等專(zhuān)科學(xué)校學(xué)報(bào)，2011（8）

[5] 張繼美，桂紅兵.R-C4.5決策樹(shù)模型在高職就業(yè)分析中的應(yīng)用[J].電腦知識(shí)與技術(shù)，2011（7）

[6] 何文秀.數(shù)據(jù)挖掘技術(shù)在高校就業(yè)工作中的應(yīng)用研究[J].現(xiàn)代計(jì)算機(jī)，2008（3）

[7] 常志玲，王嵐.一種新的決策樹(shù)模型在就業(yè)分析中的應(yīng)用[J].計(jì)算機(jī)工程與科學(xué)，2011（5）

【作者簡(jiǎn)介】林 灃（1982- ），男，廣西南寧人，廣西機(jī)電職業(yè)技術(shù)學(xué)院講師，工程師，研究方向：數(shù)據(jù)庫(kù)，數(shù)據(jù)挖掘。

（責(zé)編 丁 夢(mèng)）