前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的心理素質優點和缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：心理素質優點和缺點范文

目前，我國經濟飛速發展，產業結構高度化，社會崗位需求不斷增多，高校擴招后畢業生人數也逐年增加，然而，由于就業結構性矛盾不斷加劇，出現招工與就業“兩難并行”的局面[1]。究其根本原因在于高校培養人才與社會需求脫節，人才供給與社會需求錯位。作為一所新建的民族地區高校，河池學院處于發展階段，人才培養體系還未完善，畢業生質量與社會需求尚有較大差距。為了縮短人才培養與社會需求間的差距，使畢業生符合社會需求，需要準確地了解用人單位對人才的需求標準。

本文以河池學院畢業生追蹤調查信息數據為基礎，利用數據挖掘技術對用人單位評價畢業生的信息數據進行推測和估計，探索用人單位錄用畢業生的規律及發展趨勢[2]，找出學校培養目標與社會需求的差距，為學校進行教育改革，提高畢業生就業能力提供依據。

1 教育數據挖掘

數據挖掘（Data Mining，DM）是從大量數據中尋找規律的技術，廣泛應用到市場推廣、醫療、房地產、客戶關系管理、工程、網絡信息挖掘等各個領域。在教育領域，越來越多的研究者使用數據挖掘技術。應用在數據相關教育領域的數據挖掘技術稱為教育數據挖掘（Education Data Mining，EDM）。教育數據挖掘是一種新興的數據挖掘技術，側重于從教育環境中的數據挖掘知識，根據教育體系中教學、管理和科研三個業務，將教育數據挖掘細分為E-Learning數據挖掘、E-Management數據挖掘和E-Research數據挖掘三個范疇[3]。E-Management數據挖掘使用教育機構數字化管理系統收錄的數據，挖掘包括教師績效評估、人才引進、招生決策、就業預測、畢業生就業追蹤等多方面信息，為教育管理部分做出決策提供有效支持。常見的數據挖掘方法有決策樹、神經網絡、樸素貝葉斯、粗糙集、模糊集、K近鄰法、遺傳算法等。綜合Romero[4]和Baker[5]對教育數據挖掘的分類，這些方法可分成統計分析與可視化、聚類（聚類分析等）、預測挖掘（決策樹等）、關系挖掘（關聯規則挖掘等）、文本挖掘五類。

2008年，針對畢業生和求職人員共存環境下的就業問題現狀，屈百達[6]等人建立動態對策模型，并給出H∞控制解法。通過求取反饋增益矩陣，得到在職人員、失業待業人員數名的優化組合結構關系，預測當期畢業生新增就業人數，緩解就業沖突。2009年，劉斕[7]等人轉化決策樹數據，利用二進制關聯規則挖掘算法分析大學生就業競爭力，提取有效規則，在培養學生就業能力上有一定指導作用。張穩[8]等人以新疆農業大學畢業生數據為例，采用多項式回歸和多元線性回歸兩種不同的算法對其數據建模，實現對該校就業率的預測。韋麗梅[9]等人從管理系統和課程設置的角度出發，經過調查問卷、訪談、座談會等方式，分析影響中職院校計算機類專業學生就業的因素。2010年，針對畢業生就業預測存在的不可靠性問題，程昌品[10]等人以廣東教育學院畢業生就業情況為例，使用基于信息增益比的決策樹方法構建畢業生就業預測模型。實驗測試表明，C4.5決策樹較ID3算法的預測效果有更好的可靠性和健壯性。2011年，牛麗[11]等人提出基于層次分析法和高斯隸屬函數的模糊綜合評價方法，以大學生就業能力評價的層次性、模糊性為例，評估大學生就業能力。缺點是沒有和計算機結合建立相應的評價系統。針對學生就業問題中出現噪聲造成不一致數據問題，常志玲[12]等人提出基于變精度粗糙集的決策樹模型，分析學生就業數據，簡化決策樹結構。賀愛香[13]等人分析C4.5算法建立流程及結構，并以安徽新華學院畢業數據為基礎，運用C4.5算法建立應用型本科高校就業模型，并驗證模型的正確性和實用性，為學校提高就業率提供決策支持。

綜上所述，大學生就業問題的研究方法有矩陣模型、決策樹模型、事務數據庫模型、管理學方法。決策樹模型依賴迭代或遞歸算法[4]，原理計算和實現較矩陣模型簡單，建立的決策樹較事務數據庫模型易于理解，且比管理學問卷調查等方法易實施。由于決策樹模型能夠將復雜的決策過程化簡成簡單決策的集合，并能夠提供容易解釋的解決方案。被廣泛應用于醫療診斷、專家系統、語音識別、遙感等各個領域[14]。

在教育挖掘領域使用這些技術，可以挖掘出很多方面的知識。本文將以河池學院畢業生追蹤調查信息數據為基礎，構建決策樹預測模型，從用人單位的角度，發現用人單位錄用畢業生的潛在標準，進一步預測畢業生的就業能力。預測目的主要是發現未被用人單位錄用的畢業生存在的問題。如果在大學生未畢業前，預測發現其將不會被用人單位錄用，學校就可以找出其原因所在，及時采取措施，調整培養計劃，提高他的就業能力，并幫助他順利就業。

2 決策樹算法

決策樹是一個樹型預測模型，代表的是對象屬性與對象值之間的一種映射關系。決策樹開始于一個根節點上，樹中節點表示某個對象；每個分叉路徑則代表某個可能的屬性值；葉結點是從根節點到該葉節點的路徑所表示對象的值。決策樹是運用概率分析進行評估、預測的一種樹型圖解算法，是預測分類的一個重要方法，常用于分析數據和評估預測。常用的決策樹方法有ID3算法、C4.5算法和CART算法等。

2.1 ID3（迭代二叉樹3代）

ID3是J.Ross Quinlan于1986年在奧卡姆剃刀基礎上開發的，基于信息熵的決策樹算法。ID3使用信息增益度量選擇分裂屬性，運用自頂向下的貪心策略建立決策樹，選擇具有最高信息增益的屬性為根節點，計算所有屬性可能的值以確定分支、節點和葉節點。樹的建立分兩階段，分別是樹構建和修剪。ID3算法原理如下：

定義1：假設數據集合S有s個數據樣本，類別標識屬性C可分為m個不同類Ci（i=1，2…，m），設si為Ci樣本數，則集合S分類的期望信息量為

（1）

式中pi表示Ci類在數據集合S中的概率，。

定義2：如果A是集合S的屬性，A有n個值，則集合S可分為n個子集Si（i=1，2，…，n），設sij為子集Si的樣本數，則由屬性A劃分成n個子集后集合S的信息量為：

（2）

式中E（Si）是屬性A劃分出的子集Si按類別標識屬性分類的信息量，s是集合S的樣本數。則屬性A分枝上的信息增益為：

Gain（S，A）=E（S）-E（S，A） （3）

迭代計算每個屬性的信息增益，選擇信息增益大的屬性為分裂屬性建立決策樹。

ID3算法不能處理連續屬性，需要離散化才能使用，在選擇最佳分離屬性的時候容易選擇那些屬性值多的一些屬性。

2.2 C4.5算法

C4.5算法是ID3的改進算法。C4.5采用信息增益率為度量來選擇決策屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足。C4.5使用悲觀剪枝法，消除不必要的分支，以提高分類的準確性。該算法在繼承ID3的同時，具有產生的分類規則易于理解，準確率較高的優點，能夠完成對連續屬性的離散化和不完整數據進行處理。信息增益率算法原理如下：

（4）

其中Gain（S，A）為屬性A的增益，由（3）式給出；SplitInfo（S，A）為分裂信息，代表屬性A分裂樣本集的廣度和均勻性。

（5）

2.3 CART（分類與回歸樹）

CART（Classification And Regression Trees）分類算法最早由Breiman 等人提出，已經在統計領域和數據挖掘技術中普遍使用。CART選擇Gini指數作為測試屬性，和ID3和C4.5算法不同的是，CART算法生成的決策樹是結構簡潔的二叉樹。CART算法使用后剪枝法，從決策樹中移除不可靠的分支，以改善精度。CART算法可以同時處理分類和連續屬性，也可以處理缺失值。不過，Gini指數是以分類純度來劃分節點的，因此，CART算法最初建立的樹也有錯誤率，因為有些葉子節點并不是純的。

3 預測挖掘過程

3.1 數據預處理

本文從河池學院歷年收集的畢業生追蹤調查信息中，提取了2009年至2013年用人單位對河池學院畢業生的評價信息數據，經與學校統計的畢業生就業狀況數據合并，集成了用人單位對河池學院畢業生的評價數據集，一共477條評價記錄，每條記錄包含的屬性有畢業生的個人基本信息，數據采集日期，用人單位對畢業生德、智、能等方面的評價。在這些屬性中，抽取用人單位錄用畢業生影響較大的4個屬性，分別為用人單位對畢業生評價選項中的道德素養、專業素質、實踐能力和創新能力，加標識屬性“是否錄用”，泛化后形成了如表1所示的數據集結構。

各屬性定義如下：

DD（道德素養）：包括畢業生的思想道德、社會責任感、團隊合作精神、敬業精神、心理素質等，分為優、良、一般、差四個等級。

ZY（專業素質）：指畢業生具備的相關專業素質，包括專業知識、學習新知識能力、語言表達能力、計算機能力和外語水平等，主要以學習綜合成績來描述，分為優、良、一般、差四個等級。

SJ（實踐能力）：指畢業生的實踐動手能力、獨立工作能力、人際交往能力、組織管理能力等，分為強、較強、一般、差四個等級。

CX（創新能力）：指畢業生創新運用知識和理論的能力，分為強、較強、一般、差四個等級。

LY（是否錄用）：指畢業生是否被用人單位錄用，包含被用人單位辭退的畢業生。分為YES、NO兩種。

集成數據集如表2。把數據集按年度分為兩個子數據集：其中2009-2012年的385條數據記錄作為訓練數據集，用于預測分類建模；2013年的92條數據記錄作為測試數據集，用于測試預測模型的準確度。

3.2 算法選擇

評價分類器通常有預測準確度、計算機復雜度和模型描述簡潔度三方面來。預測準確度是使用最多的比較尺度，特別是對于預測型分類任務；計算復雜度依賴于具體的實現細節和硬件環境，操作對象越是巨大的數據庫，空間和時間的復雜度問題越重要；模型描述越簡潔越受歡迎，尤其是對于描述型的分類任務。目前普遍認為，同時適用于各種特點數據的分類器是不存在的。

C4.5算法具有準確率較高、模型描述簡單和產生分類規則易于理解的優點。根據本文數據的特性和挖掘任務，選用C4.5算法作為本文數據預測挖掘算法。

3.3 C4.5預測模型構建

訓練數據集合中屬性“LY（是否錄用）”為類別標識屬性，其他DD（道德素養）、ZY（專業素質）、SJ（實踐能力）和CX（創新能力）為決策屬性。類別標識屬性“LY（是否錄用）”有385個值，其中“YES”319個，“NO”66個，則集合分類的期望信息量為：

3.3.1 計算決策屬性的信息量

對屬性DD（道德素養）

當DD（道德素養）=“優”時，有153個值：153個“YES”，0個“NO”，則

當DD（道德素養）=“良”時，有92個值：92個“YES”，0個“NO”，則

當DD（道德素養）=“一般”時，有74個值：53個“YES”，21個“NO”，則

當DD（道德素養）=“差”時，有66個值：21個“YES”，45個“NO”，則

由此得出屬性“DD（道德素養）”的信息量

3.3.2 計算決策屬性的信息增益

屬性DD（道德素養）的信息增益為：

Gain（S，DD）=E（S）-E（S，DD）=0.6610-0.3201=0.3409

3.3.3計算決策屬性的信息增益率

屬性DD（道德素養）的分裂信息為：

所以屬性DD（道德素養）的信息增益率為：

同理可計算出屬性ZY（專業素質）、SJ（實踐能力）、CX（創新能力）的信息增益率，分別為

GainRatio（S，ZY）=0.0755

GainRatio（S，SJ）=0.0260

GainRatio（S，CX）=0.0055

3.3.4 確定根節點

比較屬性DD（道德素養）、ZY（專業素質）、SJ（實踐能力）、CX（創新能力）四個屬性的信息增益率，屬性DD（道德素養）具有最大信息增益，所以選擇DD（道德素養）作為測試屬性，得到如圖1所示的決策樹根節點。

3.3.5 建立決策樹

屬性DD（道德素養）為根節點時，得到“優”、“良”、“一般”和“差”四個分支，利用遞歸方法，對每個分支迭代計算信息增益率，最后得出決策樹，如圖2。

通過上述計算方法得到的決策樹，詳細而龐大，每個屬性都被詳細地加以考慮，是一顆完美的樹，但實用性差，存在過擬合現象，實際使用中會導致數據失真。因此，需要對決策樹進行剪枝，采用悲觀剪枝法剪枝后決策樹如圖3。

3.4 ID3、C4.5和CART比較

WEKA是一個集合了ID3、 C4.5和CART等機器學習算法的開源應用軟件，廣泛應用于數據挖掘。導入訓練數據集，在WEKA平臺分別建立基于十折交叉驗證評估方法的ID3、C4.5和CART分類器。比較結果如表3、表4和表5。

從以上比較可以看出，準確度最高和計算時間最少的分類器是C4.5。雖然C4.5分類器對類“YES”分類準確度稍低于ID3和CART，但C4.5分類器對類“NO”分類準確度最高，且C4.5分類器對類“YES”和“NO”分類準確度相差最小，說明C4.5分類器對噪聲數據正確預測能力較強。綜合上述比較，在本文的數據挖掘研究中，C4.5分類器優于ID3和CART。

3.5 測試C4.5分類器

用測試數據集代入C4.5分類器進行測試，準確測出90條記錄，2條記錄預測錯誤，準確率達到97.8261%，如表6。

預測模型對“YES”類的預測準確率達98.7%， 對“NO”類預測準確率達92.9%，如表7。

從測試結果看，建立的分類器預測精度較高，預測已錄用（YES）類準確率高于未錄用（NO）。把預測結果和學校歷年的就業統計數據相比較，結果基本相符。

3.6 C4.5分類器規則

通過以上測試和評價，C4.5預測模型能較地應用本文數據挖掘分類預測，且有較高預測準確度。根據圖3所示決策樹得出以下預測分類規則：

（1）IF DD（道德素養）=“優”OR DD（道德素養）=“良” THEN LY（是否錄用）=“YES”。

（2）IF DD（道德素養）=“一般” AND ZY（專業素質）=“優”THEN LY（是否錄用）=“YES”。

（3）IF DD（道德素養）=“一般” AND ZY（專業素質）= “良” THEN LY（是否錄用）=“YES”。

（4）IF DD（道德素養）=“一般” AND ZY（專業素質）= “一般” THEN LY（是否錄用）=“YES”。

（5）IF DD（道德素養）=“一般”AND ZY（專業素質）=“差” THEN LY（是否錄用）=“NO”。

（6）IF DD（道德素養）=“差”AND ZY（專業素質）=“優” AND SJ（實踐能力）=“強”THEN LY（是否錄用）=“YES”。

（7）IF DD（道德素養）=“差”AND ZY（專業素質）=“優” AND SJ（實踐能力）=“較強” THEN LY（是否錄用）=“YES”。

（8）IF DD（道德素養）=“差”AND ZY（專業素質）=“優” AND SJ（實踐能力）=“一般” THEN LY（是否錄用）=“YES”。

（9）IF DD（道德素養）=“差”AND ZY（專業素質）=“優” AND SJ（實踐能力）=“差” THEN LY（是否錄用）=“NO”。

（10）IF DD（道德素養）=“差”AND ZY（專業素質）=“良” AND SJ（實踐能力）=“強” THEN LY（是否錄用）=“YES”。

（11）IF DD（道德素養）=“差”AND ZY（專業素質）=“良” AND SJ（實踐能力）=“較強” THEN LY（是否錄用）=“YES”。

（12）IF DD（道德素養）=“差”AND ZY（專業素質）=“良” AND SJ（實踐能力）=“一般” THEN LY（是否錄用）=“NO”。

（13）IF DD（道德素養）=“差”AND ZY（專業素質）=“良” AND SJ（實踐能力）=“差” THEN LY（是否錄用）=“NO”。

（14）IF DD（道德素養）=“差”AND ZY（專業素質）=“一般” THEN LY（是否錄用）=“NO”。

（15）IF DD（道德素養）=“差”AND ZY（專業素質）=“差” THEN LY（是否錄用）=“NO”。

分析以上分類規則可以得出，道德素養好、專業素質優秀、實踐能力較強的畢業生，符合用人單位錄用標準，能順利就業；如果道德素養較差，則須在畢業生的專業素質和實踐能力上較為優秀，用人單位才會錄用；對于道德素養和專業素質都較差的畢業生，用人單位一般不會錄用。