CN112215436A - 一种基于机器学习的学业异常预测方法 - Google Patents

一种基于机器学习的学业异常预测方法 Download PDF

Info

Publication number
CN112215436A
CN112215436A CN202011212454.7A CN202011212454A CN112215436A CN 112215436 A CN112215436 A CN 112215436A CN 202011212454 A CN202011212454 A CN 202011212454A CN 112215436 A CN112215436 A CN 112215436A
Authority
CN
China
Prior art keywords
academic
students
data
training set
abnormity
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.)
Granted
Application number
CN202011212454.7A
Other languages
English (en)
Other versions
CN112215436B (zh
Inventor
张开生
王泽�
秦博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Mc Science And Technology Co ltd
Original Assignee
Shaanxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN202011212454.7A priority Critical patent/CN112215436B/zh
Publication of CN112215436A publication Critical patent/CN112215436A/zh
Application granted granted Critical
Publication of CN112215436B publication Critical patent/CN112215436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于机器学习的学业异常预测方法，包括以下步骤；步骤一：针对某高校学生一卡通数据进行数据预处理，并按学校毕业要求的相关规定标定学业异常学生和非学业异常学生；步骤二：采用DPCA对训练集中的非学业异常学生聚类，按照聚类结果中不同簇的数量比例以不同的采样率进行欠采样，最后将欠采样后的数据与原训练集中的学业异常学生合并形成新的训练集。本发明通过收集学生在校的一卡通和成绩相关数据，采用机器学习的方法预测学业异常学生，为高校学生管理工作提供帮助。

Description

一种基于机器学习的学业异常预测方法
技术领域
本发明涉及数据预测技术领域，特别涉及一种基于机器学习的学业异常预测方法。
背景技术
随着校园一卡通的普及，学生在校生活消费、成绩、图书馆借阅等数据逐年翻倍增加。目前国内大部分高校正致力于智慧校园建设，智慧校园建设的一个重要部分是充分利用校园一卡通数据进行数据挖掘，通过数据挖掘技术能够发现学生日常生活中的隐藏信息，进而对学生管理和校园治理提供有力的决策支持。学生在校的学习状况一直是家长、学校最关心的问题，学校的综合水平同在校学生的学习状况息息相关，因此如何挖掘学生一卡通数据及时发现学业异常的学生并进行督促与辅导是高校所关心的问题。基于上述问题，本发明提出一种基于机器学习的学业异常预测方法。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种基于机器学习的学业异常预测方法，通过收集学生在校的一卡通和成绩相关数据，采用机器学习的方法预测学业异常学生，为高校学生管理工作提供帮助。
为了实现上述目的，本发明采用的技术方案是：
一种基于机器学习的学业异常预测方法，包括以下步骤；
步骤一：
针对某高校学生一卡通数据进行数据预处理，并按学校毕业要求的相关规定标定学业异常学生和非学业异常学生；
步骤二：
采用DPCA(Desity Peaks Clustering Algorithm)对训练集中的非学业异常学生(多数类)聚类，按照聚类结果中不同簇的数量比例以不同的采样率进行欠采样，最后将欠采样后的数据与原训练集中的学业异常学生(少数类)合并形成新的训练集。
所述步骤一中的学业异常学生为学分低于2.5分，将学分不达标的学生标为1，学分达标的学生标为-1。
所述步骤二中DPCA-Adaboost的详细流程如下：
输入：
样本的训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi为特征数据，训练集中有n个样本，yi属于标记集合{1,-1}；Adaboost模型弱分类器的个数为m，弱分类器Gm(x)；
步骤1：
标记训练集T的类别；将训练集中的非学业异常类标记为-1，学业异常类标记为1；
步骤2：
DPCA密度峰值聚类非学业异常类；选取yi＝-1的数据集合作为DPCA的输入并绘制决策图，选择决策图中聚类中心距离σ大且局部密度ρ相对较大的点作为簇中心点，之后将其余点划分到距离其最近且密度比自身大的同一簇中；
步骤3：
欠采样和合并数据集；根据每个簇的样本个数si、学业异常类的样本个数L和非学业异常类的样本个数M计算每个簇的采样率ωi，以采样率ωi对DPCA聚类后的数据欠采样，之后将采样后的样本与学业异常类进行合并得到新的训练集数据；
步骤4：
初始化步骤3得到的新的训练集权值分布；式(2)中i表示第i个数据对象，训练集中数据个数为n；
Figure BDA0002759269600000031
w1i表示第i个数据对象的权值；
步骤5：
多次训练得到不同的弱分类器，用m＝1,2,…,M表示第几个弱分类器；
a.训练权值分布为D(i)的样本集得到弱分类器Gm(x)；
b.计算弱分类器Gm(x)的误差率
Figure BDA0002759269600000032
c.计算弱分类器在最终模型中的权重
Figure BDA0002759269600000033
d.计算新的权值分布如式(3)所示，Zm是规范化因子。
Figure BDA0002759269600000034
步骤6：
最终的分类器模型：
Figure BDA0002759269600000035
Gm(x)表示第m个弱分类器的输出值，其取值为-1或者1，误差率
Figure BDA0002759269600000036
公式中，em表示误差率，wmi表示第m个弱分类器的第i个数据对象的权值，Gm(xi)表示第m个弱分类器中第i个数据对象的预测输出值，其取值为-1或者1；-1表示预测为非学业异常学生，1表示预测为学业异常学生，yi表示实际标签，即刚开始步骤1标定的-1或者1；-1表示真实是非学业异常学生，1表示真实是学业异常学生，I(Gm(xi)≠yi)表示预测值和真实值不相符，因此误差率em的值就是被Gm(x)分错的样本的权值之和；
Figure BDA0002759269600000041
公式中，αm表示Gm(x)弱分类器在最终分类器G(x)中的重要程度，也是弱分类器在最终分类器中所占的权重；
Dm+1(i)＝(wm+1,1,wm+2,2,…,wm+1,i,…,wm+1,n),
Figure BDA0002759269600000042
公式中，wm+1,i表示第m+1个弱分类器的第i个数据对象的权重，Zm是规范化因子，其他参数含义同前面所述，
Figure BDA0002759269600000043
公式中，G(x)表示最终分类器，其值为1或者-1，-1表示预测为非学业异常学生，1表示预测为学业异常学生，sign()函数表示符号函数，即自变量大于0，那么因变量的值就为1；自变量小于0，因变量的值为-1。
所述步骤3中欠采样采样率ω定义如式(1)所示；
Figure BDA0002759269600000044
上式中L代表原始数据集中学业异常类的样本个数，M代表原始数据集中非学业异常类的样本个数，DPCA选取的簇中心个数是c个，Si是第i个簇中心的样本个数。
所述样本是原始采集到的学生数据集合，学生数据集合包含很多属性列，包括学分、消费数据、借阅图书数据；
对学分属性列按照低于2.5分的标记为1，1表示学业异常学生；高于2.5分的标记为-1表示为非学业异常学生，样本中除学分属性列的其他特征属性的学生数据为特征数据，按照学分标准划分的-1,1属性列的学生数据为标记集合。
所述样本需要按照一定的比例划分为训练集和测试集，一部分学生数据为训练集，另一部分学生数据为测试集，训练集用于训练模型，测试集用于测试模型，训练集和测试集中均包含异常学生和非异常学生。
使用训练集训练好模型后，用测试集的特征属性列数据去预测标记集合列，也就是输出为1表示学业异常，输出为-1表示非学业异常。
本发明的有益效果：
本发明采用密度峰值聚类算法可以解决传统K-means算法不能解决的非球状簇的分类问题且算法涉及的经验成分更少。
本发明采用的欠采样算法能够保留原始数据多数类中的数据分布特征。
本发明模型相较SVM和RF算法G-mean值分别提升了17％和3％。因此，DPCA-Adaboost模型能较好应用在学业异常学生分类的场景。
附图说明
图1是本发明模型结构示意图。
图2是本发明模型的混淆矩阵示意图。
表1是本发明模型与SVM和RF模型性能对比。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
参见附图1，DPCA-Adaboost的详细流程如下：
输入：
样本的训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi为特征数据，训练集中有n个样本，yi属于标记集合{-1,+1}；Adaboost模型弱分类器的个数为m，弱分类器Gm(x)。
算法：
步骤1标记训练集T的类别；将训练集中的非学业异常类标记为-1，学业异常类标记为1。
步骤2DPCA密度峰值聚类非学业异常类；选取yi＝-1的数据集合作为DPCA的输入并绘制决策图，选择决策图中聚类中心距离σ大且局部密度ρ相对较大的点作为簇中心点，之后将其余点划分到距离其最近且密度比自身大的同一簇中。
步骤3欠采样和合并数据集；根据每个簇的样本个数si、学业异常类的样本个数L和非学业异常类的样本个数M计算每个簇的采样率ωi。以采样率ωi对DPCA聚类后的数据欠采样，之后将采样后的样本与学业异常类进行合并得到新的训练集数据。
步骤4初始化新的训练集权值分布；式(2)中i表示第i个数据对象，训练集中数据个数为n。
Figure BDA0002759269600000061
步骤5多次训练得到不同的弱分类器，用m＝1,2,…,M表示第几个弱分类器；
a.训练权值分布为D(i)的样本集得到弱分类器Gm(x)；
b.计算弱分类器Gm(x)的误差率
Figure BDA0002759269600000071
c.计算弱分类器在最终模型中的权重
Figure BDA0002759269600000072
d.计算新的权值分布如式(3)所示，Zm是规范化因子。
Figure BDA0002759269600000073
步骤6最终的分类器模型：
Figure BDA0002759269600000074
参见图2，本发明模型的混淆矩阵，为了验证本发明的优势，对本发明模型进行实验验证。
(1)数据选取某高校的不同学院2016-2017学年毕业年级学生校园一卡通数据和学生成绩数据，具体涉及图书馆借阅和门禁数据、生活等方面的原始数据，共计3668名学生数据。
(2)本发明选取的特征包括食堂消费数据、图书借阅和门禁数据、学生成绩数据；学生成绩数据包括学生的学分和排名。设定5点-9点为早餐时间，根据时间和日期属性统计学生各方面的数据，得到7维特征属性包括借阅图书的数量、进入图书馆的次数、消费次数、消费总金额、吃早餐的次数、淋浴次数、接开水次数。
(3)本发明认为学分低于2.5分的学生为学业异常学生，将学分不达标的学生标为1，学分达标的学生标为0。
(4)DPCA-Adaboost模型实验结果：TP(True Positive)：将学业异常学生预测为学业异常学生。FN(False Negative)：将学业异常学生预测为非学业异常学生。FP(FalsePositive)：将非学业异常学生预测为学业异常学生。TN(True Negative)：将非学业异常学生预测为非学业异常学生。
参见表1，本发明模型与SVM算法和RF算法性能比对。本发明算法的查准率和查全率较RF算法提高了4％，较SVM算法提高了12％。本发明算法F1值为60.67％，G-mean值为61.85％，而SVM算法和RF算法的F1值和G-mean值均没有达到60％，预测性能不佳。
表1 3种分类算法的对比结果
Figure BDA0002759269600000081

Claims (6)

1.一种基于机器学习的学业异常预测方法，其特征在于，包括以下步骤；
步骤一：
针对某高校学生一卡通数据进行数据预处理，并按学校毕业要求的相关规定标定学业异常学生和非学业异常学生；
步骤二：
采用DPCA对训练集中的非学业异常学生聚类，按照聚类结果中不同簇的数量比例以不同的采样率进行欠采样，最后将欠采样后的数据与原训练集中的学业异常学生合并形成新的训练集。
2.根据权利要求1所述的一种基于机器学习的学业异常预测方法，其特征在于，所述步骤一中的学业异常学生为学分低于2.5分，将学分不达标的学生标为1，学分达标的学生标为-1。
3.根据权利要求1所述的一种基于机器学习的学业异常预测方法，其特征在于，所述步骤二中DPCA-Adaboost的详细流程如下：
输入：
样本的训练集T＝{(x1,y1),(x2,y2),…,(xn,yn)}，xi为特征数据，训练集中有n个样本，yi属于标记集合{1,-1}；Adaboost模型弱分类器的个数为m，弱分类器Gm(x)；
步骤1：
标记训练集T的类别；将训练集中的非学业异常类标记为-1，学业异常类标记为1；
步骤2：
DPCA密度峰值聚类非学业异常类；选取yi＝-1的数据集合作为DPCA的输入并绘制决策图，选择决策图中聚类中心距离σ大且局部密度ρ相对较大的点作为簇中心点，之后将其余点划分到距离其最近且密度比自身大的同一簇中；
步骤3：
欠采样和合并数据集；根据每个簇的样本个数si、学业异常类的样本个数L和非学业异常类的样本个数M计算每个簇的采样率ωi，以采样率ωi对DPCA聚类后的数据欠采样，之后将采样后的样本与学业异常类进行合并得到新的训练集数据；
步骤4：
初始化步骤3得到的新的训练集权值分布；式(2)中i表示第i个数据对象，训练集中数据个数为n；
Figure FDA0002759269590000021
w1i表示第i个数据对象的权值；
步骤5：
多次训练得到不同的弱分类器，用m＝1,2,…,M表示第几个弱分类器；
a.训练权值分布为D(i)的样本集得到弱分类器Gm(x)；
b.计算弱分类器Gm(x)的误差率
Figure FDA0002759269590000022
c.计算弱分类器在最终模型中的权重
Figure FDA0002759269590000023
d.计算新的权值分布如式(3)所示，Zm是规范化因子。
Figure FDA0002759269590000024
步骤6：
最终的分类器模型：
Figure FDA0002759269590000031
Gm(x)表示第m个弱分类器的输出值，其取值为-1或者1，误差率
Figure FDA0002759269590000032
公式中，em表示误差率，wmi表示第m个弱分类器的第i个数据对象的权值，Gm(xi)表示第m个弱分类器中第i个数据对象的预测输出值，其取值为-1或者1；-1表示预测为非学业异常学生，1表示预测为学业异常学生，yi表示实际标签，即刚开始步骤1标定的-1或者1；-1表示真实是非学业异常学生，1表示真实是学业异常学生，I(Gm(xi)≠yi)表示预测值和真实值不相符，因此误差率em的值就是被Gm(x)分错的样本的权值之和；
Figure FDA0002759269590000033
公式中，αm表示Gm(x)弱分类器在最终分类器G(x)中的重要程度，也是弱分类器在最终分类器中所占的权重；
Figure FDA0002759269590000034
公式中，wm+1,i表示第m+1个弱分类器的第i个数据对象的权重，Zm是规范化因子，其他参数含义同前面所述，
Figure FDA0002759269590000035
公式中，G(x)表示最终分类器，其值为1或者-1，-1表示预测为非学业异常学生，1表示预测为学业异常学生，sign()函数表示符号函数，即自变量大于0，那么因变量的值就为1；自变量小于0，因变量的值为-1。
4.根据权利要求3所述的一种基于机器学习的学业异常预测方法，其特征在于，所述步骤3中欠采样采样率ω定义如式(1)所示；
Figure FDA0002759269590000036
上式中L代表原始数据集中学业异常类的样本个数，M代表原始数据集中非学业异常类的样本个数，DPCA选取的簇中心个数是c个，Si是第i个簇中心的样本个数。
5.根据权利要求3所述的一种基于机器学习的学业异常预测方法，其特征在于，所述样本是原始采集到的学生数据集合，学生数据集合包含很多属性列，包括学分、消费数据、借阅图书数据；
对学分属性列按照低于2.5分的标记为1，1表示学业异常学生；高于2.5分的标记为-1表示为非学业异常学生，样本中除学分属性列的其他特征属性的学生数据为特征数据，按照学分标准划分的-1,1属性列的学生数据为标记集合。
6.根据权利要求3所述的一种基于机器学习的学业异常预测方法，其特征在于，所述样本需要按照一定的比例划分为训练集和测试集，一部分学生数据为训练集，另一部分学生数据为测试集，训练集用于训练模型，测试集用于测试模型，训练集和测试集中均包含异常学生和非异常学生；
使用训练集训练好模型后，用测试集的特征属性列数据去预测标记集合列，也就是输出为1表示学业异常，输出为-1表示非学业异常。
CN202011212454.7A 2020-11-03 2020-11-03 一种基于机器学习的学业异常预测方法 Active CN112215436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212454.7A CN112215436B (zh) 2020-11-03 2020-11-03 一种基于机器学习的学业异常预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212454.7A CN112215436B (zh) 2020-11-03 2020-11-03 一种基于机器学习的学业异常预测方法

Publications (2)

Publication Number Publication Date
CN112215436A true CN112215436A (zh) 2021-01-12
CN112215436B CN112215436B (zh) 2024-04-05

Family

ID=74058073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212454.7A Active CN112215436B (zh) 2020-11-03 2020-11-03 一种基于机器学习的学业异常预测方法

Country Status (1)

Country Link
CN (1) CN112215436B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493023A (zh) * 2022-02-07 2022-05-13 中国水利水电科学研究院 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法
CN114971957A (zh) * 2022-04-20 2022-08-30 华北科技学院 一种学生学业风险预警帮扶系统及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112933A (zh) * 2008-10-09 2011-06-29 株式会社日立制作所 异常检测方法及系统
CN109447118A (zh) * 2018-09-26 2019-03-08 中南大学 一种基于Adaboost和欠采样的不平衡学习方法
CN111126812A (zh) * 2019-12-12 2020-05-08 科大讯飞股份有限公司 综合学习能力监测方法、装置、电子设备和存储介质
CN111260514A (zh) * 2020-01-14 2020-06-09 华中师范大学 一种基于校园大数据的学生成绩预测方法
CN111461394A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于深度矩阵分解的学生成绩预测方法
CN111669384A (zh) * 2020-05-29 2020-09-15 重庆理工大学 融合深度神经网络和层级注意力机制的恶意流量检测方法
CN111709575A (zh) * 2020-06-16 2020-09-25 北京工业大学 基于c-lstm的学业成绩预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112933A (zh) * 2008-10-09 2011-06-29 株式会社日立制作所 异常检测方法及系统
CN109447118A (zh) * 2018-09-26 2019-03-08 中南大学 一种基于Adaboost和欠采样的不平衡学习方法
CN111126812A (zh) * 2019-12-12 2020-05-08 科大讯飞股份有限公司 综合学习能力监测方法、装置、电子设备和存储介质
CN111260514A (zh) * 2020-01-14 2020-06-09 华中师范大学 一种基于校园大数据的学生成绩预测方法
CN111461394A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于深度矩阵分解的学生成绩预测方法
CN111669384A (zh) * 2020-05-29 2020-09-15 重庆理工大学 融合深度神经网络和层级注意力机制的恶意流量检测方法
CN111709575A (zh) * 2020-06-16 2020-09-25 北京工业大学 基于c-lstm的学业成绩预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩泽峰;杨涛;侯琳琳;田强;刘良金;吴偶;: "基于Consume2Vec模型的校园一卡通大数据分析", 计算机应用, no. 1, pages 85 - 91 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493023A (zh) * 2022-02-07 2022-05-13 中国水利水电科学研究院 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法
CN114971957A (zh) * 2022-04-20 2022-08-30 华北科技学院 一种学生学业风险预警帮扶系统及其方法

Also Published As

Publication number Publication date
CN112215436B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN103207854A (zh) 中文文本可读性计量系统及其方法
CN107301604A (zh) 多模型融合评价系统
CN112215436B (zh) 一种基于机器学习的学业异常预测方法
CN110993102A (zh) 一种基于校园大数据的学生行为与心理检测结果的精准分析方法及系统
CN103679160A (zh) 一种人脸识别方法和装置
CN106600046A (zh) 基于多分类器融合的土地闲置预测方法及装置
De Roover et al. Mixture simultaneous factor analysis for capturing differences in latent variables between higher level units of multilevel data
CN109086794A (zh) 一种基于t-lda主题模型的驾驶行为模式识方法
CN114663002A (zh) 一种自动化匹配绩效考核指标的方法及设备
Katarya et al. A review on machine learning based student’s academic performance prediction systems
CN110796260B (zh) 一种基于类扩张学习的神经网络模型优化方法
CN116187444A (zh) 一种基于K-means++的专业领域敏感实体知识库构建方法
Putri et al. Analysis of students graduation target based on academic data record using c4. 5 algorithm case study: Information systems students of telkom university
Zhang et al. Research on student big data portrait method based on improved k-means algorithm
Wati et al. Implementation of hierarchical agglomerative clustering method to east Kalimantan unemployment analysis
Bhurre et al. Analyzing and comparing clustering algorithms for student academic data
CN115936003A (zh) 基于神经网络的软件功能点查重方法、装置、设备及介质
Dai Research on evaluation and management mechanism of education management system based on clustering algorithm
CN113592341A (zh) 度量损失函数、扇区复杂度评估方法及系统
Ogihara et al. Student retention pattern prediction employing linguistic features extracted from admission application essays
Jiang et al. A classification algorithm based on weighted ML-kNN for multi-label data
CN112085421A (zh) 一种基于深度bp神经网络的教师教学效果评价方法
Liu et al. Student performance mining based on Kernel density estimation interval and association rules
Shen Clustering Analysis of English Scores Based on K-means Clustering Algorithm
Razak et al. Prediction of Secondary Students Performance: A Case Study

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240131

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region after: China

Address before: 710021 Shaanxi province Xi'an Weiyang university campus of Shaanxi University of Science and Technology

Applicant before: SHAANXI University OF SCIENCE & TECHNOLOGY

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240311

Address after: Unit A and C on the 22nd floor, No. 109 Tiyu West Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 (for office use only) (cannot be used as a factory building)

Applicant after: GUANGDONG MC. SCIENCE AND TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant