基于组合logistic回归模型的高校贫困生认定研究

当前高校贫困生认定工作基本上以人工为主要审核方式,存在着认定不准确、不公平等问题,为此本文提出了一种利用因子分析降维的组合logistic回归算法贫困生预测模型。首先,通过高校中心数据库获取学生在校消费的数据,通过数据预处理提取需要的特征数据。然后,对提取的特征数据采用主成分的因子分析实现数据降维,得到相互独立的因子。最后,基于logistic回归算法进行判别与分类。实验结果表明,该算法模型具有一定的准确性,相比较其他模型预测准确率更高,为高校精准扶贫工作提供了重要依据,在一定程度上保证了扶贫工作的公平性。     

利用LIME对脓毒症预测模型进行可解释性分析

针对机器学习应用于脓毒症预测存在预测准确率低和可解释性不足的问题,提出了利用LIME对基于机器学习的脓毒症预测模型进行可解释性分析.模型由预测和解释两部分组成:预测部分使用XGBoost和线性回归(LR),首先通过XGBoost进行特征提取,再利用LR对提取到的特征进行分类;解释部分使用LIME模型提取出关键的预测指标对模型进行解释.实验结果表明,通过XGBoost+LR模型进行脓毒症预测的准确率为99％,受试者工作特征曲线下面积(AUROC)为0.984,优于单独使用XGBoost(准确率:95％,AUROC:0.953)和LR(准确率:53％,AUROC:0.556)或者LGBM(准确率:90％,AUROC:0.974),同时通过LIME能有效地提取出前10个最重要的指标,对脓毒症预测模型进行可解释性分析,提高了模型的可信度.     

基于近邻传播的贫困生评定模型的案例研究

准确认定贫困学生资格是关系到资助资源流向和教育公平的实现,在教学管理中,校园卡消费数据的准确聚类对于贫困生评定工作具有重要参考价值.近邻传播对于离群点不敏感,也能保持模型的较好鲁棒性的特点.将近邻传播算法应用到校园卡消费数据的聚类,实现学生消费能力的分类.实例分析的结果表明,该算法聚类结可为贫困生评定提供科学的参考依据.     

高校贫困学生辅助评价的研究

高校对贫困学生的认定存在认定成本高、可信度不强以及标准不一致等问题.本文通过分析高校一卡通的消费行为,刻画贫困学生的消费特征,应用马尔科夫模型对贫困学生消费行为进行建模,并提出了相似指标的概念和计算方法.通过对学生消费行为与贫困学生消费行为模型进行相似指标计算,对贫困学生进行认定.该方法具有计算效率高,速度快,计算成本低廉以及数据获取容易,在同一所学校中评价标准一致,对贫困学生的平均识别率达到90%以上等特点,可以作为高校在复评贫困学生的一个有力的辅助工具.     

基于PCA-XGBoost联合算法的盗窃犯罪预测模型

结合大量犯罪数据特征和行为特征,提出一种PCA-XGBoost联合预测模型。采用PCA算法提取数据集的主要特征;应用XGBoost算法提升预测优化和泛化能力,并通过三种检验方法进行准确率检验。此外,经与XGBoost、CART、RF、NB和LR等分类算法模型的预测结果进行对比,表明PCA-XGBoost联合预测模型对盗窃犯罪数量的预测准确度明显高于其他预测模型,具有较高的应用价值。     

大数据在高校贫困生认定工作中的应用探讨

随着我国对教育投入力度的增大,对高校家庭经济困难学生的扶持力度也越来越大.如何提高贫困生认定的科学化和精确化程度,对高校贫困生的认定工作提出了难题.本文结合高校实际和个人工作经验,指出传统的贫困生认定方法中容易出现的问题,提出了基于大数据的贫困生认定方法.     

基于加权约束的决策树方法在贫困生认定中的应用研究

当前,贫困生认定体系薄弱、不规范,如何认定贫困生已经成为国内高校及社会关注的热点问题。为完善贫困生认定体系,将数据挖掘技术引入到贫困生认定工作中,提出基于加权约束的决策树认定方法。该方法首先确定源数据——高校多个部门管理系统中的数据。其次,对数据进行分析处理确定贫困生认定指标属性,并对属性进行量化处理。最后,基于加权约束的决策树方法建立贫困生认定决策树。实践证明,该方法提高了贫困生认定效率,保证了贫困生认定工作的公平、公正性,并为决策提供了重要依据。     

基于XGBoost的Ebay网上拍卖最终成交价格预测

对成交价格进行预测,旨在获得Ebay拍卖品的价格动态,使买卖双方更好地进行交易.将价格区间进行多分类划分和多次最优参数选择,建立极端梯度提升(XGBoost,eXtreme Gradient Boosting)模型,并与最优逻辑斯蒂回归模型比较,使用平均准确率作为模型的评估指标.经比较发现XGBoost模型达到90.5...     

基于HMIGW特征选择和XGBoost的毕业生就业预测方法

为了使高校的就业指导工作更具针对性,可以有针对性地培养学生,本文收集了毕业生的相关信息及其各自的就业情况,构建了基于HMIGW特征选择和XGBoost的分类预测建模算法,并将其应用于毕业生就业预测.本文首先考虑到学生信息数据具有离散型和连续型混合的特点,提出一种适应于就业预测的基于互信息和权重的混合（Hybrid feature selection based on Mutual Information and Gain Weight,以下简称HMIGW）特征选择算法,该方法先对学生数据的特征做相关性估值,然后采用前向特征添加后向递归删除策略进行特征选择,最后基于选择后的最优特征子集数据用XGBoost预测模型进行训练与结果预测.通过对比不同算法的结果,本文采用的预测方法在准确率和时间等评价指标上有较好的表现,对于毕业生培养就业指导具有积极作用.     

基于强化学习和XGBoost的信贷风险

为增加信贷风险预测算法的准确率,降低信贷风险,提出一种基于特征工程下的XGBoost超参数优化模型。使用后剪枝的随机森林进行特征选择,利用基于强化学习的改进Q-learning算法优化XGBoost超参数。实验结果表明,相比较于现有的超参数优化方法,改进的Q-learning在提升算法收敛速度的前提下保证了准确率。该模型在信贷风险预测中的准确率均优于LightGBM、GRU等模型,验证了其有效性。