基干核Fisher判别探析高职学生考试成绩预测.docVIP

基于核Fisher判别分析的高职学生考试成绩预测 　　摘 要：高职教育中对学生考试成绩的预测，可以帮助教师提前评估教学效果，优化课程设计，从而提高学生考试成绩和教学质量。文章基于核Fisher判别分析，搭建了高职学生期末考试成绩预测模型，以学生自身特点和平时表现等构成模型输入变量的维度信息，来预测学生是否可以通过期末考试。实验中以深圳信息职业技术学院学生作为研究分析对象，考察建立模型的预测精度，并与经典算法进行了比较。实验结果证明，核Fisher判别分析具有良好的泛化能力，其预测精度与支持向量机相近，但优于C4.5决策树方法 关键词：核Fisher判别分析；高职教育；考试成绩预测 中图分类号： TP391 文献标志码：A 文章编号：1673-8454（2016）16-0076-04 一、引言 随着国家“十三五”规划的顺利进行，加快发展职业教育已经越来越成为国家、社会和教育界的共识，高职院校不可避免的成为了培养实用技能型人才的主要基地。随着高职招生人数的不断扩大，以及社会还没有摆脱对职业教育的传统观念，高职院校的生源质量每况愈下。一部分学生的基础知识较差，学习新知识的意愿不强，无论在课堂上与老师的互动，还是课下的平时作业完成情况，都不尽如人意，使得教师很难在真正考试之前评估教学效果，从而造成教学质量下降。因此，如何提高高职学生的学习成绩，成为社会和学校都关注的问题。在教学过程中、期末考试之前，有针对性的建立模型预测考试成绩，提前评估教学效果，可以起到预警的作用。对那些有可能不及格的学生及时纠正其不良学习行为，并进行单独辅导，则有助于提高学生成绩，减少不合格现象，进而提高学生培养质量，优化课程设计，促进教师教学进步 正是意识到学生成绩预测对提高教学质量、促进教学改革的重要性，国内一些学者在几年前就已经开始对该领域展开研究。大部分学者将成绩预测视为分类问题，于是多采用数据挖掘或机器学习领域的算法，如决策树、人工神经网络、支持向量机等来建立模型。其中，决策树方法因为理论发展成熟、易于理解等优点，被广泛用于大学生英语成绩预测[1]、大学生计算机等级考试成绩预测[2]、一般性课程的成绩预测[3， 4]等；而人工神经网络和支持向量机也因为扎实的理论基础和广泛应用，被用于大学生课程成绩预测[5，6]，并取得良好的效果 核Fisher判别分析作为基于核函数的机器学习算法的典型代表[7]，其分类效果在其他模式识别和预测领域得到了很好的验证[8，9]。学者们前期的研究成果表明，决策树、神经网络和支持向量机方法在学生考试成绩预测方面均取得了不俗的成绩。但是到目前为止，我们尚未发现有学者应用完整的核Fisher判别分析进行大学生成绩预测的系统报道（虽然有学者利用线性Fisher判别分析对SVM模型中的数据因素进行加权[6]）。因此，本文提出利用核Fisher判别分析作为工具，尝试寻找学生学习属性与成绩之间隐含的非线性复杂关系，从而建立高职在校学生期末考试成绩预测模型。实验分析中以深圳信息职业技术学院物流管理专业2015级3个班级的学生作为研究对象，采用学生性别、生源地、考勤表现和平时作业成绩等作为模型的输入变量，来预测学生的期末考试成绩。实验结果证明，核Fisher判别分析的泛化能力强，其预测精度与支持向量机十分接近，并且优于C4.5决策树方法 二、核Fisher判别分析 核Fisher判别分析[7]是基于核函数的机器学习算法中的一种，其结合了线性Fisher判别分析与核函数的思想，能够有效地解决现实中的分类问题[8， 9] 1.线性Fisher判别分析原理[10] 线性Fisher判别分析是一种有监督学习的分类方法。给定一组d维空间的样本数据x∈R（i∈1，2，.....n），n为样本数据集的大小，他们分别属于不同的两类，则样本类别标识记为yi∈{1，2}。属于类1的n1个样本记为X1={x11，x12，......x1}，属于类2的n2个样本记为X2={x21，x22，......x2}。算法“学习”或者“训练”的过程，就是要找到样本数据与其类别隐含的内在关系模式x→y。线性Fisher判别分析构造学习模型的核心目标是寻找一个d维向量w∈R，当样本数据向该方向投影时，最大化类间散度和类内散度的比值，使得样本数据在这个方向上尽可能的分开，达到清楚辨识的目的。定义某一类样本（i=1，2）数据类内均值为： 2.核Fisher判别分析原理 线性Fisher判别分析是一种线性分类器，当样本数据与类别呈现线性关系时其分类效果会很好。但是实际问题中，样本数据与其类别的关系往往呈现出复杂的非线性，则线性Fisher判别分析的分类效果就会差强人意，而且也无法解决模式识别中常见的维数灾难问题。在支持向量机