CN111861038A - 一种基于机器学习算法的高考分数预测方法及系统 - Google Patents
一种基于机器学习算法的高考分数预测方法及系统 Download PDFInfo
- Publication number
- CN111861038A CN111861038A CN202010755419.3A CN202010755419A CN111861038A CN 111861038 A CN111861038 A CN 111861038A CN 202010755419 A CN202010755419 A CN 202010755419A CN 111861038 A CN111861038 A CN 111861038A
- Authority
- CN
- China
- Prior art keywords
- prediction
- college entrance
- machine learning
- score
- learning algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习算法的高考分数预测方法及系统，其中方法包括步骤：以问卷调查形式获取考生的基础数据；对所述基础数据进行预处理，得到特征值，所述预处理包括数据清洗处理和缺失项补齐处理；采用随机森林算法对特征值进行筛选；采用Adaboost算法建立预测模型；获取用户输入的咨询信息；将所述咨询信息输入至所述预测模型，生成分数区间预测结果。本发明考虑了学生对每一学科的兴趣、抗压能力、性格特点、在平时大考紧张的环境下的表现等多种影响因素，结合考生的各种考试成绩来预测考生成绩，达到了较为全面参考考生个人能力的目的，同时大大提高了预测效率，并且使得预测结果更加科学、准确。
Description
技术领域
本发明涉及机器学习技术领域，特别是涉及一种基于机器学习算法的高考分数预测方法及系统。
背景技术
高考是中国最主要的人才选拔方式，与古时候的科举制意义相同，其在广大考生和家长心中具有改变命运的重要地位。高考成绩是各高校甄选人才的重要标准，对于考生来说，高考也是一场公平的竞技场，场地的出口通往他们的理想学府。但是近几年的考生人数增加，国内顶级学校的录取人数却不变，录取率逐年降低，所以报考的科学性和准确性很大程度上决定了考生能不能实现顶级高校求学梦。
针对高考志愿填报流程，我国大部分地域是高考成绩公布后依据分数填报，但是仍有部分区域是根据高考后的估分填报，如辽宁省、江西省，还有一部分是高考前填报志愿，如北京市、上海市。因此，科学有效的高考成绩预测对志愿填报有着重大影响。
目前，对分数的预测现有技术中有基于高三模拟考试并根据难易程度赋予各次模拟考试权重从而预测高考分数的方法。这种高考分数预测方法的数据量不够，并且这种手动的算法在如今人工智能时代也显得有些落后，预测的准确性和效率都较低。
发明内容
基于此，有必要针对现有的高考分数预测方法存在的数据量有限、预测准确度和效率较低的问题，提供一种基于机器学习算法的高考分数预测方法。
为解决上述问题，本发明采取如下的技术方案：
一种基于机器学习算法的高考分数预测方法，包括以下步骤：
步骤一：以问卷调查形式获取考生的基础数据；
步骤二：对所述基础数据进行预处理，得到特征值，所述预处理包括数据清洗处理和缺失项补齐处理；
步骤三：采用随机森林算法对特征值进行筛选；
步骤四：采用Adaboost算法建立预测模型；
步骤五：获取用户输入的咨询信息；
步骤六：将所述咨询信息输入至所述预测模型，生成分数区间预测结果。
同时，本发明还提供一种采用上述基于机器学习算法的高考分数预测方法的预测系统，该系统包括终端设备和服务器；所述终端设备通过信息设置界面接收用户输入的所述咨询信息，并向所述服务器发送咨询请求；
所述服务器响应所述咨询请求，对缺项的数据采用平均值法进行填充后，调用所述预测模型，得到对应的分数区间预测结果。
与现有技术相比，本发明具有以下有益效果：
本发明提供一种基于机器学习算法的高考分数预测方法及系统，该方法及系统采用Adaboost算法建立预测模型，并且在本发明的预测模型中，考虑了学生对每一学科的兴趣、抗压能力、性格特点、在平时大考紧张的环境下的表现等多种影响因素，结合考生的各种考试成绩来预测考生成绩，达到了较为全面参考考生个人能力的目的，从而大大提高预测结果的参考价值，为先报后考的高考考生提供科学有效的高考分数预测，对其志愿填报具有重要的指导意义，同时本发明采用机器学习技术中的Adaboost算法可以应用更多的数据量批量的处理数据，省去人工的时间，大大提高了预测效率，并且使得预测结果更加科学、准确。
附图说明
图1为本发明基于机器学习算法的高考分数预测方法的流程图；
图2为本发明采用Adaboost算法建立预测模型的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的有点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
图1为本发明基于机器学习算法的高考分数预测方法的流程图。如图1所示，在一个实施例中，本发明提供一种基于机器学习算法的高考分数预测方法，该方法具体包括以下步骤：
步骤一(S100)：以问卷调查形式获取考生的基础数据。
本发明采用问卷调查的方式来获取考生的基础数据，问卷上详细反映了考生的平时作业完成情况、课外练习题量、月考成绩、模拟考试成绩、抗压能力、学生性别、出勤表现和以往考试发挥失常次数占比等。本步骤要获取的基础数据具体包括学生的基础信息、性格信息和学业信息，其中基础信息包括性别、生源地、政治面貌和班级职务等，性格信息包括对每一学科的兴趣、抗压能力、以往考试中发挥失常次数占比和社交能力等，学业信息包括月考成绩、模拟成绩、省市排名、作业完成情况、课外刷题量和学校出勤情况等。
步骤二(S200)：对基础数据进行预处理，得到特征值，其中预处理包括数据清洗处理和缺失项补齐处理。
本发明的问卷调查是针对周边高中发起的，学生在填写问卷时可能存在缺项和填写不规范等情况，导致获取到的基础数据可能存在缺项、数据重复冗余和数据可信度低等情况，所以在进行特征值选择之前需要先对数据进行清洗操作，去除掉原始数据中的脏数据、重复数据和错填数据等，保证原始数据的可信性，并且尽量减少引入系统的噪声，进而提高预测模型的精度。针对存在缺失项的数据组，本发明可以采用极大似然估计法(Maximum Likelihood Estimate，MLE)对缺失项进行预测及补齐。
例如考试数据和兴趣及性格特征是一个二元正态样本，设为(X1,Y1),(X2,Y2),…,(Xn,Yn)。满足期望和方差以及协方差分别为E(X1)＝E(Y1)＝0,Var(X1)＝Var(Y1)＝σ2,Cov(X1,Y1)＝ρσ2,其中，σ2＞0，ρ∈(-1,1)，通过求得σ2和ρ的MLE来进行数据估计。
有X和Y联合密度函数为
进一步地，引入下式：
θ1＝(σ2(1-ρ2))-1＞0,θ2＝ρθ1
则
于是
令
可得似然方程为
利用MLE的不变性，将θ1，θ2用σ2，ρ表示，可以得到σ2和ρ的MLE为：
因此，可以通过得到的
和
补齐缺失的数据。本发明采用大似然估计插值法，通过观察数据的边缘分布情况来估计未知参数，通过计算期望最大值的方式来补齐缺失项。
在训练样本的标记过程中，本发明对最终高考分数的区间进行标记，如：200-230为类别1,230-260为类别2，以此类推；对于输入的性格特征，根据其强度划分为五个等级，分别是：极高、高、中等、低、极低，建立完备的训练数据集。
步骤三(S300)：采用随机森林算法对特征值进行筛选。
特征值的选择在机器学习工程中是十分重要的，特征值的好坏直接影响着模型的预测准确性。特征选择指选择那些可以提升相应的算法或模型精度的一系列表现出色的特征值。特征选择的实质上也是对数据的去冗余和提取有效值的处理。
本发明采用随机森林算法作为特征值表现力的评分机制，计算每个特征值在模型建立过程中的贡献值，进而达到数据筛选的目的。
采用随机森林算法对特征值进行筛选时，按照特征值对模型贡献值从高到低的排序进行选择。具体地，使用所有的特征值对随机森林模型进行训练，然后使用训练得到的模型对每个特征值的贡献值进行打分，根据得分从高到低的排序选取前三十个特征值。针对以上得到的特征值，通过主成分分析算法(PCA)对现有的特征值进行了简单的处理，并且取得了较为优秀的效果。
步骤四(S400)：采用Adaboost算法建立预测模型。
Adaboost算法是众多的机器学习算法中的一种典型的迭代算法，它是将同一训练集训练的不同的弱分类器，通过结果投票构建成一个强分类器。本发明使用Adaboost算法来构建预测模型，并且创新地使用支持向量机作为弱分类器，更适用于在数据集较为庞大的情况下学习其特征，构建分类模型。将前面建立的数据集作为训练集，通过调节参数、模型优化等方式来提高预测精度。
Adaboost算法根据每次对训练数据集中的各个样本分类是否正确以及上次总体分类的正确率，来确定每个样本的权重。然后将带有权重的新样本数据传给下层分类器进行训练。这时已经得到了多个弱分类器，然后通过投票机制得到一个最终的分类器，这个分类器就是一个强分类器。
图2为本发明采用Adaboost算法建立预测模型的流程图，采用Adaboost算法建立预测模型的实现流程参考图2，包括以下步骤：
步骤四一：建立完备的训练数据集，训练数据集包括打好标签的数组的集合；
步骤四二：将训练数据集中每个训练样本的权重都初始化；
步骤四三：在迭代次数限度内，每次使用一部分训练样本去训练弱分类器，并根据数组权重对训练数据集进行更新，弱分类器采用支持向量机；
步骤四四：使用更新后的训练数据集进行训练，得到模型Mi；
步骤四五：判断模型Mi的错误率error(Mi)是否大于阈值，若是，则返回步骤四二，重新初始化每个训练样本的权重；若否，则进入步骤四六；
步骤四六：将更新后的训练数据集中每个被正确分类的数组的权重乘以
步骤四七：归一化每个数组的权重；
步骤四八：迭代次数m加1，重复步骤四三至步骤四七，直至迭代次数m等于最大迭代次数k，结束循环，得到预测模型。
在训练阶段，针对输入的打好标签的数组的集合D和迭代次数k，首先将集合D中每个训练样本也就是数组的权重都初始化为1/d，d为训练数据集的样本数量；然后，在迭代次数限度内，每次使用一部分训练样本去训练弱分类器，并且根据数组权重对训练数据集进行更新，即将训练数据集(集合D)根据数组权重替换成新的集合Di，i表示第i个分类器，这里本发明采用支持向量机作为弱分类器，相较于传统的单层决策树作为弱分类器的情况，本发明提出的这种方法更适用于数据集比较庞大的情况，学习到的特征更为全面，预测精度更高。使用更新后的训练数据集进行训练，得到模型Mi；当前训练结束后只保留错误率小于阈值例如0.5的支持向量分类器，对于错误率小于阈值的训练样本，将其权重调整为权重乘以
其中error(Mi)为第i个支持向量分类器的错误率，再归一化每个数组的权重；对于错误率大于阈值的样本要再次初始化权重，重新训练。经过k次迭代训练之后得到最终预测模型。这一阶段中降低了正确分类的样本权重，就相当于增加了分错样本的权重，这样更利于模型学习新的特征。
进行分类器选择阶段，每个支持向量分类器均给出自己的预测结果，且支持向量分类器的权重为
其中权重最高的一个支持向量分类器就成为最终的预测结果。
步骤五(S500)：获取用户输入的咨询信息，用户输入的咨询信息为待预测学生的基础数据，包括待测学生的基础信息、性格信息和学业信息，其中基础信息包括性别、生源地、政治面貌和班级职务等，性格信息包括对每一学科的兴趣、抗压能力、以往考试中发挥失常次数占比和社交能力等，学业信息包括月考成绩、模拟成绩、省市排名、作业完成情况、课外刷题量和学校出勤情况等。
步骤六(S600)：将咨询信息输入至训练好的预测模型，生成分数区间预测结果。针对接收的用户输入的咨询信息，若存在缺项的数据，采用平均值法进行填充，保证输入的每项特征值有效，然后调用已训练好的预测模型，将咨询信息输入至训练好的预测模型，得到最终预测的分数区间预测结果。
为解决考生在志愿填报时对自己的考试成绩预测不准确的问题，本实施例提供一种基于机器学习算法的高考分数预测方法，该方法采用Adaboost算法建立预测模型，并且在预测模型中，考虑了学生对每一学科的兴趣、抗压能力、性格特点、在平时大考紧张的环境下的表现等多种影响因素，结合考生的各种考试成绩来预测考生成绩，达到了较为全面参考考生个人能力的目的，从而大大提高预测结果的参考价值，为先报后考的高考考生提供科学有效的高考分数预测，对其志愿填报具有重要的指导意义，同时采用机器学习技术中的Adaboost算法可以应用更多的数据量批量的处理数据，省去人工的时间，大大提高了预测效率，并且使得预测结果更加科学、准确。
在另一个实施例中，本发明提供一种采用前述实施例所述基于机器学习算法的高考分数预测方法的预测系统，其中基于机器学习算法的高考分数预测方法可参考前述实施例中的描述，此处不再赘述。基于机器学习算法的高考分数预测系统具体包括终端设备和服务器；终端设备通过信息设置界面接收用户输入的咨询信息，并向服务器发送咨询请求；服务器响应咨询请求，对缺项的数据采用平均值法进行填充后，调用预测模型，得到对应的分数区间预测结果。
具体地，在本实施例中，终端设备提供信息设置界面，信息设置界面上设置有和最初数据集获取时基本相同的问题和选项，例如基础信息选项、性格信息选项和学业信息选项，用户通过信息设置界面输入咨询信息；终端设备通过信息设置界面接收用户输入的咨询信息后，向服务器发送咨询请求；服务器接收到终端设备的咨询请求并响应该咨询请求，服务器针对接收的终端设备反馈的咨询信息，若存在缺项的数据，采用平均值法进行填充，以保证输入的每项特征值有效，填充完毕后调用已训练好的预测模型，将咨询信息输入至已训练好的预测模型，预测模型输出分数区间预测结果，从而得到最终预测的高考分数区间；服务器将分数区间预测结果反馈给终端设备，终端设备对分数区间预测结果进行实时显示。可选地，本实施例中的终端设备可以采用计算机、智能手机和平板电脑中的任意一种。
本实施例所提出的基于机器学习算法的高考分数预测系统利用基于机器学习算法的高考分数预测方法实现对学生高考分数的科学、准确预测，用户通过终端设备可方便、快速地输入待测学生的咨询信息以及查看预测得到的分数区间预测结果，具有预测效率高，预测结果更加科学、准确的优点。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于机器学习算法的高考分数预测方法，其特征在于，包括以下步骤：
步骤一：以问卷调查形式获取考生的基础数据；
步骤二：对所述基础数据进行预处理，得到特征值，所述预处理包括数据清洗处理和缺失项补齐处理；
步骤三：采用随机森林算法对特征值进行筛选；
步骤四：采用Adaboost算法建立预测模型；
步骤五：获取用户输入的咨询信息；
步骤六：将所述咨询信息输入至所述预测模型，生成分数区间预测结果。
2.根据权利要求1所述的基于机器学习算法的高考分数预测方法，其特征在于，采用Adaboost算法建立预测模型的过程包括以下步骤：
步骤四一：建立完备的训练数据集，所述训练数据集包括打好标签的数组的集合；
步骤四二：将所述训练数据集中每个训练样本的权重都初始化；
步骤四三：在迭代次数限度内，每次使用一部分训练样本去训练弱分类器，并根据数组权重对训练数据集进行更新，所述弱分类器采用支持向量机；
步骤四四：使用更新后的训练数据集进行训练，得到模型Mi；
步骤四五：判断模型Mi的错误率error(Mi)是否大于阈值，若是，则返回步骤四二，重新初始化每个训练样本的权重；若否，则进入步骤四六；
步骤四六：将更新后的训练数据集中每个被正确分类的数组的权重乘以
步骤四七：归一化每个数组的权重；
步骤四八：迭代次数加1，重复步骤四三至步骤四七，直至迭代次数等于最大迭代次数，结束循环，得到所述预测模型。
3.根据权利要求2所述的基于机器学习算法的高考分数预测方法，其特征在于，
所述阈值为0.5。
4.根据权利要求1或2所述的基于机器学习算法的高考分数预测方法，其特征在于，
采用随机森林算法对特征值进行筛选时，按照特征值对模型贡献值从高到低的排序进行选择。
5.根据权利要求4所述的基于机器学习算法的高考分数预测方法，其特征在于，
按照特征值对模型贡献值从高到低的排序选取前三十个特征值。
6.根据权利要求1或2所述的基于机器学习算法的高考分数预测方法，其特征在于，
所述基础数据包括基础信息、性格信息和学业信息，所述基础信息包括性别、生源地、政治面貌和班级职务，所述性格信息包括对每一学科的兴趣、抗压能力、以往考试中发挥失常次数占比和社交能力，所述学业信息包括月考成绩、模拟成绩、省市排名、作业完成情况、课外刷题量和学校出勤情况。
7.根据权利要求1或2所述的基于机器学习算法的高考分数预测方法，其特征在于，
在对所述基础数据进行缺失项补齐处理时，采用极大似然估计法对缺失项进行预测及补齐。
8.一种采用如权利要求1至7任意一项所述的基于机器学习算法的高考分数预测方法的预测系统，其特征在于，包括终端设备和服务器；
所述终端设备通过信息设置界面接收用户输入的所述咨询信息，并向所述服务器发送咨询请求；
所述服务器响应所述咨询请求，对缺项的数据采用平均值法进行填充后，调用所述预测模型，得到对应的分数区间预测结果。
9.根据权利要求8所述的基于机器学习算法的高考分数预测系统，其特征在于，
所述终端设备采用计算机、智能手机和平板电脑中的任意一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010755419.3A CN111861038A (zh) | 2020-07-31 | 2020-07-31 | 一种基于机器学习算法的高考分数预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010755419.3A CN111861038A (zh) | 2020-07-31 | 2020-07-31 | 一种基于机器学习算法的高考分数预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861038A true CN111861038A (zh) | 2020-10-30 |
Family
ID=72945900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010755419.3A Pending CN111861038A (zh) | 2020-07-31 | 2020-07-31 | 一种基于机器学习算法的高考分数预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861038A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232609A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型实时预估学生成绩的方法及系统 |
| CN113065719A (zh) * | 2021-04-23 | 2021-07-02 | 中国矿业大学(北京) | 考研成功率预测装置、方法、可读介质及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779224A (zh) * | 2016-12-22 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种预测高考录取概率的方法及系统 |
| CN110188958A (zh) * | 2019-06-03 | 2019-08-30 | 杭州志优网络科技有限公司 | 一种高考志愿智能填报预测推荐的方法 |
-
2020
- 2020-07-31 CN CN202010755419.3A patent/CN111861038A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779224A (zh) * | 2016-12-22 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种预测高考录取概率的方法及系统 |
| CN110188958A (zh) * | 2019-06-03 | 2019-08-30 | 杭州志优网络科技有限公司 | 一种高考志愿智能填报预测推荐的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232609A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型实时预估学生成绩的方法及系统 |
| CN113065719A (zh) * | 2021-04-23 | 2021-07-02 | 中国矿业大学(北京) | 考研成功率预测装置、方法、可读介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109582864B (zh) | 基于大数据科学和动态权重调整的课程推荐方法及系统 | |
| Huang et al. | Wavelet feature selection for image classification | |
| CN109711459A (zh) | 用户个性化行为评测方法、装置、计算机设备和存储介质 | |
| KR102506132B1 (ko) | 자기집중 메커니즘 기반의 개인화된 학습량 추천 방법 및 장치 | |
| Lee et al. | Machine learning approaches for learning analytics: Collaborative filtering or regression with experts | |
| CN111861038A (zh) | 一种基于机器学习算法的高考分数预测方法及系统 | |
| CN113553624A (zh) | 基于改进pate的wgan-gp隐私保护系统和方法 | |
| CN113902129A (zh) | 多模态的统一智能学习诊断建模方法、系统、介质、终端 | |
| CN116361697A (zh) | 一种基于异构图神经网络模型的学习者学习状态预测方法 | |
| Tu et al. | A polytomous model of cognitive diagnostic assessment for graded data | |
| CN113762716A (zh) | 基于深度学习和注意力的台区运行状态评估方法及系统 | |
| DeYoreo et al. | Bayesian mixture models with focused clustering for mixed ordinal and nominal data | |
| CN105913353A (zh) | 一种基于K-means聚类多权重自适应的学生学习行为分析方法 | |
| CN113409157B (zh) | 一种跨社交网络用户对齐方法以及装置 | |
| CN113268870B (zh) | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 | |
| Binh et al. | Student ability estimation based on IRT | |
| CN113488164B (zh) | 基于数据的知识库心理沙盘分析方法、系统和设备 | |
| Tabarisaadi et al. | An optimized uncertainty-aware training framework for neural networks | |
| Fox | Course LNIRT: Modeling response accuracy and response times | |
| CN117556381B (zh) | 一种面向跨学科主观试题的知识水平深度挖掘方法及系统 | |
| Murray | Using decision trees to understand student data | |
| Suk et al. | Hybrid causal forests: using random forests and finite mixture models for estimating heterogeneous treatment effects in latent classes | |
| Wang et al. | A Sentinel-Based Peer Assessment Mechanism for Collaborative Learning | |
| CN116205510A (zh) | 一种基于小样本的神经网络筛选方法和装置 | |
| CN116051067A (zh) | 一种大学生学习时间分配的数据分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |