动态模糊格的学生能力评价范文

《消费电子杂志》2014年第十三期

一、动态模糊格值关系学习算法

根据动态模糊格的基础理论，许多学者构建了动态模糊格值关系学习算法。在上述决策树学习问题中，其核心是用属性-值对实例进行描述，在具体到动态模糊问题中，可以用动态模糊变量(DynamicFuzzyVariable)、动态模糊数(DynamicFuzzyNumber)等对属性和值进行描述和表达，这样基于传统清晰问题的决策树描述可以扩展为动态模糊决策树。动态模糊格值关系学习算法的主要过程描述如下：

1.用动态模糊格表示研究对象及其相关信息；

2.对研究对象中每个条件属性，根据其属性值的不同，将其划分成多个分支；

3.对每个条件属性，计算将实例划分为某类值的确定度，计算决策属性的值为该类值的实例个数占总实例个数的比例；

4.根据计算所得到的条件属性的分类确定度和决策属性的比例，计算决策树分类中条件属性对应的值，该值的值域为0～1；将其中计算结果最小的属性作为分支属性，并对属性进行相应划分；

5.对上述划分后的实例进行判断，如各实例为同一类别，则将其确定为叶子结点；否则，转到2.再次进行划分、计算、判断；对于已用于分支的属性不再进行操作；

6.直到把所有实例分类完成，则整个决策树构建完成。

二、学生学习能力评价模型

上述动态模糊格值关系学习算法是否能够达到对经典ID3算法的优化呢？下面我们通过一个具体的实例来验证一下。以学生学习效果调查的相关数据进行处理，构建学生学习能力评价模型，为学校、家长、用人单位了解学生提供参考依据。对上述表1中各实例的具体数据分别采用一个量化的值来表达，形成表2所示的动态模糊化后的实例集。条件属性包括：学习态度A，听课效果L，师生互动I，聪明程度C，学习效率P，对应各属性的属性值，将所有实例进行如下划分：从上面的结果可以看出，分类确定度最小的是属性A学习态度，所以此处分支结点选择属性A学习态度，也就是根结点。属性A学习态度中属性值为0.2的的这个分支作为叶子结点，因为该分支中的实例都属于同一个类别。其中分类确定度最小的是属性L听课效果，所以分支结点选择属性L听课效果，属性值为0.7和0.5的这两个分支作为叶子结点。

对于属性A学习态度的0.4这个分支，也分别进行分类划分并计算其分类确定度，结果为：从上面的结果中可以看出，分类确定度最小的是属性C聪明程度，因此分支结点选择属性C聪明程度，属性值为0.6和0.2的这两个分支作为其叶子结点。到此，整个实例集全部分类完毕，因此结束该决策树的构建。

下图是根据上述算法构建的学生学习能力评价模型决策树树形结构：五、结束语本文根据动态模糊格的基本理论，建立了基于动态模糊格的决策树算法，最后根据这一算法构建了学生学习能力评价模型，验证了该算法的有效性。

作者：密君英单位：苏州农业职业技术学院信息与机电工程系