基于S V M的幼兒成長(zhǎng)測(cè)評(píng)應(yīng)用

陳卓賀敬

（青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院，山東 青島266061）

中國(guó)的幼兒教育服務(wù)著全世界最龐大的學(xué)齡前兒童，由于地域，文化，經(jīng)濟(jì)等差異，教師數(shù)量，質(zhì)量，資源配置，公辦，私營(yíng)不同，城鄉(xiāng)差距等，幼兒發(fā)展的情況幾乎天差地別。幼兒教育對(duì)個(gè)人乃至社會(huì)發(fā)展有著重要的、基礎(chǔ)性的、不可或缺的重大意義。如何對(duì)幼兒的成長(zhǎng)和教育情況予以科學(xué)的測(cè)評(píng)就顯得極具意義。隨著計(jì)算機(jī)技術(shù)和軟件技術(shù)的發(fā)展，通過(guò)建立數(shù)據(jù)模型，運(yùn)用一定的算法來(lái)分析幼兒成長(zhǎng)的各項(xiàng)數(shù)據(jù)，做出科學(xué)合理的測(cè)試結(jié)果成為可能。

1 支持向量機(jī)（Support Vector Machine，SVM）技術(shù)

支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力的一種機(jī)器學(xué)習(xí)方法[1]。

支持向量機(jī)方法是從線性可分情況下的最優(yōu)分類(lèi)提出的。即系統(tǒng)產(chǎn)生一個(gè)超平面并移動(dòng)它，使得不同類(lèi)別的樣本點(diǎn)正好處在該超平面的兩側(cè),這樣得到的平面為最優(yōu)超平面，從理論上實(shí)現(xiàn)了線性可分?jǐn)?shù)據(jù)的最優(yōu)分類(lèi)問(wèn)題[2]。如下圖1所示：即L為把x型和o形沒(méi)有錯(cuò)誤地分開(kāi)的分類(lèi)線,分別為過(guò)各類(lèi)樣本中離分類(lèi)線最近點(diǎn)、且平行于分類(lèi)線的直線,和之間的距離做兩類(lèi)的分類(lèi)間隔。所謂最優(yōu)分類(lèi)線就是要求分類(lèi)線不但能將兩類(lèi)無(wú)錯(cuò)誤地分開(kāi),而且要使兩類(lèi)的分類(lèi)間隔最大[3]。前者是保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小，使分類(lèi)空隙最大，實(shí)際上就是使推廣性的界中的置信范圍最小,從而使真實(shí)風(fēng)險(xiǎn)最小。推廣到高維空間，最優(yōu)分類(lèi)線就成為最優(yōu)分類(lèi)平面。對(duì)于線性不可分情況，通過(guò)指定常數(shù)C，控制對(duì)樣本懲罰的程度，實(shí)現(xiàn)在錯(cuò)分樣本的比例與算法復(fù)雜度之間的折衷。

圖1 最優(yōu)分類(lèi)示意圖

SVM支持向量機(jī)是一項(xiàng)成熟的機(jī)器學(xué)習(xí)方法，在JAVA中我們可以直接調(diào)用相應(yīng)的類(lèi)。我們需要先建立幼兒測(cè)試用的矩陣數(shù)據(jù)結(jié)構(gòu)，然后據(jù)此建立樣本數(shù)據(jù)。

1）建立應(yīng)用于幼兒成長(zhǎng)測(cè)評(píng)系統(tǒng)的矩陣，樣本標(biāo)簽，樣本數(shù)據(jù)。樣本數(shù)據(jù)將作為訓(xùn)練集在程序中使用。

（1）樣本標(biāo)簽，我們大致將幼兒測(cè)試結(jié)果分為A出色，B良好，C預(yù)警，D干預(yù)四類(lèi)，作為樣本標(biāo)簽使用，A出色：4分，B良好：3分，C預(yù)警：2分，D 干預(yù)，1分。

（2）樣本數(shù)據(jù)，成長(zhǎng)測(cè)試指標(biāo)分類(lèi)見(jiàn)下表（性別男表示為1，女表示為 2）：

表1 樣本指標(biāo)

2）通過(guò)對(duì)學(xué)齡前幼兒進(jìn)行大批量的測(cè)試建立樣本數(shù)據(jù)。樣本該數(shù)據(jù)越準(zhǔn)確，樣本數(shù)量越多，得到的效果也就越準(zhǔn)確。我們建立樣本數(shù)據(jù)如下表2。

表2 樣本數(shù)據(jù)

3）分類(lèi)模型及參數(shù)。被評(píng)價(jià)數(shù)據(jù)是由4個(gè)等級(jí)的數(shù)據(jù)構(gòu)成，因此該分類(lèi)屬于多分類(lèi)問(wèn)題，考慮到分類(lèi)的樣式不多，本文選用一對(duì)一策略，構(gòu)造六個(gè)支持向量分類(lèi)器，每個(gè)分類(lèi)器只對(duì)兩類(lèi)進(jìn)行分類(lèi)，模型簡(jiǎn)單且具有較好的分類(lèi)能力。

圖2 分類(lèi)模型示意圖

SVM的核函數(shù)采用性能比較好的徑向基核函數(shù)：

k(||x-xc||)=exp{-||x-xc||^2/(2*σ^2)

其中xc為核函數(shù)中心，σ為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用圍。

2 測(cè)試程序及結(jié)果

SVM技術(shù)在小樣本，非線性，高維度下模式識(shí)別方面有著獨(dú)有的優(yōu)勢(shì)，在科研和商業(yè)上都有著廣泛的應(yīng)用，很多流行編程軟件都開(kāi)發(fā)了相應(yīng)的工具包。借助這些工具包我們可以直接調(diào)用相應(yīng)的函數(shù)，而不必關(guān)心它們是如何實(shí)現(xiàn)的。

隨機(jī)取5組數(shù)據(jù)作測(cè)試樣本，得到測(cè)試結(jié)果見(jiàn)下表

表3 測(cè)試結(jié)果

從表3可以看出，程序測(cè)試結(jié)果可以保持不錯(cuò)的一致性，當(dāng)然由于這里我們訓(xùn)練樣本有限，誤差率還比較高。但是隨著訓(xùn)練樣本的數(shù)量增加，優(yōu)化后的SVM模型準(zhǔn)確性會(huì)進(jìn)一步提高，具有廣泛的應(yīng)用前景。

我們通過(guò)對(duì)幼兒成長(zhǎng)中的各項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行量化，建立一種基于SVM的模型，應(yīng)用在實(shí)際系統(tǒng)中，取得了比較好的效果，省去了人工評(píng)價(jià)過(guò)程中的不客觀因素，節(jié)省了人力成本，擴(kuò)展了SVM的應(yīng)用范圍。

［1］何婕.SVM及其在車(chē)牌字符識(shí)別中的運(yùn)用[D].四川大學(xué),2005.

［2］王靜.基于GA-SVM的高職學(xué)生綜合素質(zhì)評(píng)價(jià)模型[J].廣西教育,2014,11:55-57.

［3］朱海林.基于SVM多分類(lèi)的教學(xué)質(zhì)量評(píng)價(jià)研究[D].山東師范大學(xué),2009.