• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于學(xué)生成績回歸預(yù)測的多模型適用性對比研究*

    2020-11-02 13:21:22喻鐵朔李霞甘琤
    中國教育信息化 2020年9期
    關(guān)鍵詞:回歸模型誤差分析

    喻鐵朔 李霞 甘琤

    摘? ?要:學(xué)生成績預(yù)測是教育數(shù)據(jù)挖掘在教學(xué)實踐中的一大重點,相比分類成績預(yù)測的單一結(jié)果,回歸成績預(yù)測更能深化預(yù)測在教學(xué)實踐中的意義。文章基于H2O框架下廣義線性模型(GLM)、深度學(xué)習(xí)(DL)、梯度提升樹(GBT)以及支持向量機(SVM)四種主流模型進(jìn)行回歸預(yù)測比較研究。從模型預(yù)測精度、預(yù)測結(jié)果對比、預(yù)測誤差分析三個角度分析4種模型,在不同課程、不同課程屬性下的適用性。結(jié)果表明,DL模型適用于專業(yè)課程,SVM模型適用于公共課程,回歸模型的成績預(yù)測受到離群數(shù)據(jù)影響較大,各模型對離群數(shù)據(jù)解釋能力較弱。

    關(guān)鍵詞:學(xué)生成績預(yù)測;回歸模型;多模型對比;誤差分析

    中圖分類號:TP301.6 文獻(xiàn)標(biāo)志碼:A 文章編號:1673-8454(2020)17-0023-06

    一、引言

    在高校的教學(xué)過程中,學(xué)生課程成績是衡量學(xué)生知識掌握程度和教師教學(xué)質(zhì)量的主要依據(jù)。當(dāng)下,高校信息化建設(shè)逐步轉(zhuǎn)化為智慧校園建設(shè),在此過程中積累了海量的數(shù)據(jù),應(yīng)用教育數(shù)據(jù)挖掘方法與數(shù)據(jù)相結(jié)合能夠?qū)崿F(xiàn)學(xué)生未來的成績預(yù)測。周慶等[1]針對EDM(教育數(shù)據(jù)挖掘)的研究特點、不足及發(fā)展趨勢進(jìn)行了歸納,闡述了各類預(yù)測算法的應(yīng)用場景及優(yōu)缺點。利用數(shù)據(jù)挖掘技術(shù)進(jìn)行回歸成績預(yù)測能夠給學(xué)生提供課程學(xué)習(xí)指引、幫助學(xué)生規(guī)避學(xué)業(yè)風(fēng)險,也能夠為教師和管理者的教學(xué)重點和管理方案提供決策支持。

    目前國內(nèi)外有許多預(yù)測方面的研究,在學(xué)業(yè)預(yù)測方面,Goker H等[2]通過學(xué)生的基本信息與課程信息,應(yīng)用貝葉斯分類方法改進(jìn)早期預(yù)警系統(tǒng)預(yù)測學(xué)生未來學(xué)業(yè)成就,并發(fā)現(xiàn)影響學(xué)生學(xué)業(yè)的主要因素。Francis等[3]將學(xué)生特征分為人口特征、學(xué)術(shù)特征、行為特征和額外特征四個方面進(jìn)行不同的組合,運用聚類算法和分類預(yù)測相結(jié)合的混合算法構(gòu)建學(xué)習(xí)成績預(yù)測模型。劉博鵬等[4]通過動態(tài)特征提取和偏互信息(PMI)對學(xué)生特征進(jìn)行選取,并通過交叉驗證方法對支持向量機(SVM)算法進(jìn)行動態(tài)參數(shù)調(diào)整后實現(xiàn)成績預(yù)測。孫力等[5]運用C5.0決策樹方法,通過分析網(wǎng)絡(luò)學(xué)歷教育本科生的相關(guān)信息,實現(xiàn)英語統(tǒng)考的成績預(yù)測,并提出相應(yīng)策略來提高英語學(xué)習(xí)水平和考試通過率。

    數(shù)據(jù)挖掘預(yù)測方法在其它領(lǐng)域中應(yīng)用也十分廣泛,張慧玲等[6]針對風(fēng)電場的數(shù)據(jù)特征變化采用三種主流的預(yù)測算法進(jìn)行適應(yīng)性對比研究,通過預(yù)測精度、計算效率及模型適應(yīng)性比較模型優(yōu)劣勢。李靜等[7]采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機、LSTM模型針對基因工程領(lǐng)域未來研究熱點趨勢進(jìn)行預(yù)測,并對比分析三種模型的優(yōu)劣。

    現(xiàn)階段的EDM研究預(yù)測主要以分類問題為主,預(yù)測模型大多單一且相應(yīng)的分類預(yù)測結(jié)果不能對預(yù)測結(jié)果進(jìn)行有效的分析。在課程成績預(yù)測過程中,預(yù)測課程不同,相應(yīng)模型擬合效果也不同。本文針對上述問題,擬進(jìn)行回歸類型的成績預(yù)測,采用GLM(線性回歸模型)、Deep Learning(深度學(xué)習(xí))、GBT(梯度提升樹)、SVM(支持向量機)四種主流的預(yù)測算法分析其在不同課程屬性下的特性。從預(yù)測精度、誤差分析、預(yù)測分布3個方面對四種算法進(jìn)行比較,針對高校學(xué)生課程成績預(yù)測,選取不同訓(xùn)練樣本,提供合適的預(yù)測算法參考依據(jù)。

    二、預(yù)測對比流程

    本文基于四種主流的學(xué)生成績回歸預(yù)測方法步驟如下:①從高校教務(wù)數(shù)據(jù)庫中獲取學(xué)生信息;②對抽取的數(shù)據(jù)完成數(shù)據(jù)清洗轉(zhuǎn)換;③對清洗后的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理;④進(jìn)行課程特征選擇,選取不同類型課程進(jìn)行預(yù)測;⑤模型應(yīng)用評估,選取合適算法進(jìn)行對比分析,提供適合不同課程的算法。具體算法流程如圖1所示。

    1.GLM模型

    文章使用H2O(3.8.26版本)框架執(zhí)行GLM模型、DL模型、GBT模型,H2O是開源的、分布式的、基于內(nèi)存的、可擴(kuò)展的機器學(xué)習(xí)和預(yù)測分析框架。[8]廣義線性模型(GLM)是傳統(tǒng)線性模型的擴(kuò)展。該算法通過使對數(shù)似然值最大來擬合廣義線性模型,彈性凈罰可用于參數(shù)正則化,模型擬合計算是并行的,速度極快,并且對有限數(shù)量的非零系數(shù)預(yù)測因子的模型具有極好的可伸縮性。廣義線性模型有三個組成部分——隨機部分、系統(tǒng)部分和聯(lián)結(jié)函數(shù)。

    隨機部分:屬于指數(shù)分布族的相互獨立的隨機變量yi,密度函數(shù)為:

    f(yi|θi,φ)=exp(c(yi,φ))(1)

    其中θi和φ為參數(shù),b和c為函數(shù)。yi的期望是μi方差為均值的函數(shù),則E(yi)=μi=b'(θi),var(yi)=b'(θi)。其中b'(θ)和b''(θ)分別表示函數(shù)b的一階和二階導(dǎo)數(shù)。

    系統(tǒng)部分:假設(shè)x1,x2,…,xp為對應(yīng)于y1,y2,…,yn的p維自變的值,存在某線性預(yù)估量η,參數(shù)β1,β2,…,βp的線性函數(shù)有:

    η=xTβ=∑p? ?i=1xi βi(2)

    聯(lián)結(jié)函數(shù):聯(lián)結(jié)函數(shù)是指觀測值xi與指數(shù)散布族的期望μi之間的函數(shù)關(guān)系。隨機部分和系統(tǒng)部分通過ηi=g(μi)連接在一起,g(x)稱為聯(lián)結(jié)函數(shù)。容易得到:

    g(μij)=x' ij β,i=1,2,…,p.(3)

    其中,β為未知實參數(shù),xTi=(xi1,…,xin)表示第i個觀測向量。

    2.Deep Learning模型

    在H2O框架中深度學(xué)習(xí)是基于人工神經(jīng)網(wǎng)絡(luò)(ANN),是最常見的深度神經(jīng)網(wǎng)絡(luò)類型,也是H2O-3中唯一支持的類型。[9]該網(wǎng)絡(luò)采用反向傳播的隨機梯度下降訓(xùn)練,可以包含大量的隱藏層,由具有tanh、整流器和maxout激活功能的神經(jīng)元組成。也可以實現(xiàn)如自適應(yīng)學(xué)習(xí)率、率退火、動量訓(xùn)練、L1或L2正則化和網(wǎng)格搜索,能夠使預(yù)測精度更加準(zhǔn)確。在模型訓(xùn)練過程中,每個計算節(jié)點使用多線程(或異步)在其本地數(shù)據(jù)上訓(xùn)練全局模型參數(shù)的副本,并通過網(wǎng)絡(luò)模型定期平均地向全局模型傳輸參數(shù)。

    應(yīng)用深度學(xué)習(xí)算法需要設(shè)置激活函數(shù)、分布函數(shù)和損失函數(shù)兩個重要參數(shù),在H2O框架中深度學(xué)習(xí)主要使用Tanh(雙曲正切函數(shù))、Recrified Linear(線性整流器)、Maxout(最大輸出)三種主要激活函數(shù),文章選用Recrified Linear。

    f(α)=max(0,α)(4)

    在H2O中常用的分布函數(shù)有AUTO(自適應(yīng)分布)、Multinomial(多項式分布)、Gaussian(高斯分布)、Laplace(拉普拉斯分布)、Huber(霍爾分布)、Poisson(泊松分布)等,每一個分布都有對應(yīng)的損失函數(shù)。Multinomial分布對應(yīng)交叉熵?fù)p失函數(shù)(cross-entropy loss),Gaussian分布對應(yīng)于均方差損失函數(shù)(Mean Squared Error Loss),Laplace分布對應(yīng)于絕對值損失函數(shù)(Absolute Loss),Huber分布對應(yīng)霍爾損失函數(shù)(Huber Loss),對于Poisson分布等一些函數(shù)損失函數(shù)不能改變,所以損失函數(shù)設(shè)置為AUTO。具體損失函數(shù)如下:

    L(w,B|j)=‖tj-oj‖22(5)

    3.GBT模型

    梯度增強樹模型又可以稱為GBM(梯度增強機)是回歸或分類樹模型的集合。這兩種方法都是通過逐步改進(jìn)的估計獲得預(yù)測結(jié)果的前向?qū)W習(xí)集成方法。該方法的指導(dǎo)思想是通過不斷改進(jìn)的近似來獲得良好的預(yù)測結(jié)果。H2O 中構(gòu)建的GBT以完全分布式的方式,在數(shù)據(jù)集的所有特征上依次構(gòu)建回歸樹——其中每棵樹都是并行構(gòu)建的。GMT計算步驟如下:

    輸入訓(xùn)練數(shù)據(jù)(xi,yi),構(gòu)建提升樹模型fM(x),初始化f0(x)=0。對于第m個基學(xué)習(xí)器,首先計算梯度:

    gm(xi)=f(x)=fm-1(x)(6)

    根據(jù)梯度學(xué)習(xí)第m個學(xué)習(xí)器:

    Θ'm=arg min∑N? i=1[-gm(xi)-βmΘ(xi)]2(7)

    θ,β

    通過line search求取最佳步長:

    βm=arg min∑N? i=1L[yi,fm-1(xi)+βmΘ'm(xi)](8)

    β

    令fm=βmΘ'm,更新模型,最后輸出f(xi):

    f(xi)=fm-1+fm(9)

    4.SVM模型

    SVM(支持向量機)的算法是一個易于使用、快速高效的SVM模式識別和回歸的軟件包。SVM在實際應(yīng)用中可以分為SVC(支持向量分類)和SVR[10](支持向量回歸)兩種方法。LIBSVM對于回歸任務(wù)支持epsilon-SVR和nu-SVR實現(xiàn)。支持向量回歸模型的目標(biāo)是讓訓(xùn)練集中的每個點(xi,yi)擬合到一個線性模型,形式如下:

    yi=?棕×φ(xi)+b(10)

    式中φ(xi)為非線性映射變量,?棕為向量和b偏移量,其次需要定義一個常量?鄣>0,設(shè)|yi-?棕×φ(xi)-b|為G,對于某個點(xi,yi),如果G≤?鄣,則完全沒有損失,如果G>?鄣,則對應(yīng)的損失為|G-?鄣|。則SVM回歸模型損失度量為:

    err(xi,yi)=? ?0? ? ? ? G≤?鄣G-?鄣? ? G>?鄣(11)

    在回歸模型中,設(shè)立優(yōu)化目標(biāo)函數(shù)可以與分類模型相同為||w||2,根據(jù)設(shè)定的損失函數(shù)度量,則最終損失函數(shù)S為:

    S=C×■×∑n? ?i=1err(xi,yi)+■||w||2(12)

    其中C是支持向量回歸的復(fù)雜度常數(shù),表示對錯誤分類的容忍度,其中較高的C值產(chǎn)生“較軟”的邊界,較低的值產(chǎn)生“較硬”的邊界。在核函數(shù)的選擇上LIBSVM包常采用RBF核函數(shù),RBF核函數(shù)適用于特征數(shù)量遠(yuǎn)小于樣本數(shù)量的數(shù)據(jù)集。

    Kradial(xi,yi)=e-■∑p? ?k=1(xik,xjk)2(13)

    三、數(shù)據(jù)預(yù)處理及模型評估方法

    1.數(shù)據(jù)

    實現(xiàn)GLM、Deep Learning、GBT、SVM四種預(yù)測模型進(jìn)行對比分析,以某高校計算機與通信工程學(xué)院下計算機科學(xué)技術(shù)專業(yè)2015級、2016級、2017級三個年級的大二上、下兩個學(xué)期的10門考試課程為實驗數(shù)據(jù)。由于高校課程的多樣性,遂剔除學(xué)生的選修課程和考查課程。數(shù)據(jù)集中課程屬性可以分為專業(yè)課程和公共課程,其中專業(yè)課程包括計算機組成原理、數(shù)據(jù)庫原理、面向?qū)ο蟪绦蛟O(shè)計、數(shù)據(jù)邏輯分析與設(shè)計、計算機網(wǎng)絡(luò)、數(shù)據(jù)結(jié)構(gòu);公共課程包括大學(xué)物理、大學(xué)英語讀寫譯Ⅲ、大學(xué)英語讀寫譯Ⅳ、馬克思主義基本原理。

    2.數(shù)據(jù)清洗及預(yù)處理

    由于從教務(wù)數(shù)據(jù)庫中抽取的數(shù)據(jù)并不能直接應(yīng)用于預(yù)測模型,需要對抽取的數(shù)據(jù)進(jìn)行清洗轉(zhuǎn)換來滿足模型預(yù)測要求的數(shù)據(jù)集,遂對數(shù)據(jù)做如下操作:

    (1)數(shù)據(jù)清洗:運用Pentaho kettle數(shù)據(jù)倉庫軟件進(jìn)行數(shù)據(jù)清洗。將教務(wù)抽取的數(shù)據(jù)按照年級劃分成三個子集,對每個子集進(jìn)行特征篩選、數(shù)據(jù)去重操作,并將數(shù)據(jù)進(jìn)行行列轉(zhuǎn)換形成滿足模型需求的數(shù)據(jù)集樣式,最終按照學(xué)號將三個子集合并成最終預(yù)測數(shù)據(jù)集。

    (2)缺失值處理:對數(shù)據(jù)集進(jìn)行簡單描述性分析,查看數(shù)據(jù)是否存在缺失值。學(xué)生課程數(shù)據(jù)的缺失由學(xué)生休學(xué)、調(diào)換專業(yè)等人為因素組成,且在數(shù)據(jù)集中占比極小,遂對缺失成績樣本進(jìn)行剔除。

    (3)建立訓(xùn)練樣本:將樣本數(shù)據(jù)的60%作為訓(xùn)練樣本,另外40%作為測試樣本。

    3.模型評價指標(biāo)

    文章從預(yù)測精度、模型適用性兩個角度對GLM、Deep Learning、GBT、SVM四種預(yù)測模型進(jìn)行評價分析:

    (1)預(yù)測精度:不同模型的預(yù)測結(jié)果的評價指標(biāo)有均方根誤差(RMSE)、平均絕對誤差(MAE),RSEM用來衡量預(yù)測值與真實值之間的偏差,MAE可以更好地反映預(yù)測誤差的實際情況。二者計算公式如下:

    RSME=■(14)

    MAE=■∑m? ?i=1(yi-■i)(15)

    其中m為樣本數(shù)量,yi為真實值,■i為預(yù)測值。

    (2)模型適用性:運用模型精度和數(shù)據(jù)擬合狀況,探索不同課程在不同預(yù)測模型中的預(yù)測誤差的分布差異,判定模型對課程的適用性。

    四、結(jié)果分析

    1.預(yù)測結(jié)果對比

    將四種預(yù)測模型的預(yù)測值與真實值在40%驗證數(shù)據(jù)集中依照專業(yè)課程和公共課程兩種屬性,實現(xiàn)同一課程不同算法的預(yù)測結(jié)果對比,尋找四種模型的預(yù)測差異。選取專業(yè)課中數(shù)字邏輯分析與設(shè)計、面向?qū)ο蟪绦蛟O(shè)計,公共課程中馬克思主義基本原理、大學(xué)物理共四門課程為代表進(jìn)行誤差分析,預(yù)測成績與真實成績的分布狀況如圖2、3、4、5所示。圖中真實值是已知的,圖中的每個點代表一個特定的預(yù)測值和它的真實值,黑色虛線為最優(yōu)模型,圖中各數(shù)據(jù)點越接近虛線——黑色虛線,預(yù)測模型越好。圖中陰影區(qū)域和深色線為添加的一條平滑曲線,便于觀測數(shù)據(jù)點的分布趨勢。在高校教學(xué)過程中,認(rèn)定學(xué)生成績在60分以上(包含60分)為及格,依此做兩條淺色虛線為輔助線,按照順時針方向劃分為四個區(qū)域,每個區(qū)域表示了不同的成績分布屬性。區(qū)域1代表了真實成績在60分以上但預(yù)測成績在60分以下;區(qū)域2代表了真實成績和預(yù)測成績都在60分以上;區(qū)域3為真實成績60分以下且預(yù)測成績60分以上。區(qū)域4代表真實成績和預(yù)測成績都在60分以下。

    (1)專業(yè)課程

    圖2、3所示為面向?qū)ο蟪绦蛟O(shè)計、數(shù)字邏輯分析與設(shè)計的預(yù)測成績與真實成績的分布狀況,在面向?qū)ο蟪绦蛟O(shè)計課程中GLM模型擁有最優(yōu)的RSME和MAE,在數(shù)字邏輯分析與設(shè)計課程中Deep Learning模型擁有最優(yōu)的RSME和MAE。圖中當(dāng)真實成績小于60分時,四種模型的成績分布回歸曲線在最佳模型上方,表示預(yù)測成績高于真實成績;在真實成績高于60分的區(qū)域數(shù)據(jù)分布回歸曲線在最佳模型下方,表示此部分預(yù)測成績低于真實成績。有部分?jǐn)?shù)據(jù)點遠(yuǎn)離分布的回歸曲線,表明模型對這些學(xué)生的預(yù)測能力差,預(yù)測相差較大,在專業(yè)課程中預(yù)測成績分布低于真實成績。

    (2)公共課程

    圖4為馬克思主義原理的預(yù)測成績與真實成績的分布狀況,在這門課程中數(shù)據(jù)分布較為集中且預(yù)測成績幾乎都超過60分,數(shù)據(jù)的回歸曲線在最佳模型上方,預(yù)測成績普遍高于真實成績。圖5為大學(xué)物理課程的成績分布,此門課程中當(dāng)真實成績小于60分時,預(yù)測成績?nèi)扛哂谡鎸嵆煽?當(dāng)真實成績大于60分時,預(yù)測成績整體低于真實成績,類似于專業(yè)課程。

    2.預(yù)測誤差分析

    對上述四門課程的真實成績減去預(yù)測成績的差值進(jìn)行描述性統(tǒng)計分析,基于誤差平均值、中位數(shù)、峰度、偏度等分析誤差分布的特征,兩門專業(yè)課程的誤差描述分析如表1所示。

    在專業(yè)課程中誤差均值都大于0,表明模型預(yù)測成績均值低于真實成績均值。各模型誤差的最大值與最小值誤差較大,在部分極值狀況下模型預(yù)測結(jié)果不理想。在面向?qū)ο蟪煽冊O(shè)計課程中GLM模型擁有最小的平均值和中位數(shù),該課程的誤差最大值為35.5,此課程中的四種模型的峰度全部大于0,表明方差的增大是由低頻度的大于或小于平均值的計算差值引起的;且此課程的偏度大于0,表明分布具有正偏離,有少數(shù)變量值很大,使右側(cè)尾部拖長。在數(shù)字邏輯分析課程中Deep Learning模型的誤差平均值和中位數(shù)最小,四種模型的峰度和偏度都小于0,表明該課程在分布上峰度不足且屬于左偏態(tài),且四種模型峰度偏度相差較小。

    公共課程的誤差描述分析如表2所示,在公共課程中馬克思原理課程的誤差均值小于0且最小值較大,表明在某些極值狀況下該課程預(yù)測成績遠(yuǎn)遠(yuǎn)高出真實成績。馬克思主義原理在GBT模型擁有最好的誤差均值、標(biāo)準(zhǔn)誤差和中位數(shù),在分布狀況呈現(xiàn)平峰和左偏態(tài)。在大學(xué)物理課程中SVM模型的誤差均值、標(biāo)準(zhǔn)誤差和中位數(shù)最小,誤差分布產(chǎn)生過度的峰度且呈現(xiàn)左偏態(tài)。大學(xué)物理課程的誤差最小值絕對值高于誤差最大值,但誤差總和為正數(shù),預(yù)測成績總體低于真實成績。

    3.預(yù)測模型精度

    利用上述建立的GLM、Deep Learning、GBT、SVM四種預(yù)測模型對計算機科學(xué)與技術(shù)專業(yè)10門課程進(jìn)行預(yù)測,預(yù)測模型評價指標(biāo)由測試數(shù)據(jù)集進(jìn)行計算驗證,4種模型在相同數(shù)量的訓(xùn)練樣本下的預(yù)測精度如表3所示。

    在表3中,字體加粗傾斜代表不同課程在四種預(yù)測模型中的最優(yōu)RSME和MAE。在實驗樣本中預(yù)測精度最好的是Deep Learning模型,其次是SVM預(yù)測模型,而GLM模型和GBT模型預(yù)測性能較為一般。在不同課程屬性中,模型的適用性也有所差別。在專業(yè)課程中Deep Learning模型的預(yù)測精度更好,Deep Learning模型的RSME和MAE最優(yōu)預(yù)測精度次數(shù)最多。在公共課程中SVM算法的預(yù)測精度優(yōu)于Deep Learning模型,在獲得最優(yōu)RSME的同時MAE也是最優(yōu)。

    4.模型適用性建議

    利用數(shù)據(jù)挖掘算法對高校學(xué)生進(jìn)行回歸成績預(yù)測的過程中,Deep Learning模型在專業(yè)課程中擁有較好的預(yù)測能力,主要表現(xiàn)在擬合課程間相關(guān)性能力最好;而在公共課程中SVM模型擁有較好的預(yù)測能力,SVM對某些極值的預(yù)測能力優(yōu)勝于其他三種模型,若采用單一算法進(jìn)行回歸成績預(yù)測可以選取SVM模型。GLM在預(yù)測能力上表現(xiàn)一般,主要是在極值的預(yù)測能力上受到限制,若考慮在剔除部分異常的數(shù)據(jù)前提下,GLM模型在專業(yè)課程上預(yù)測能力優(yōu)于Deep Learning。GBT模型在四種回歸模型中性能最低,但GBT模型的運行效率最高,且模型預(yù)測成績分布上更擬合正態(tài)分布。在學(xué)生成績回歸預(yù)測過程中,回歸預(yù)測模型對學(xué)生成績數(shù)據(jù)中的離群數(shù)據(jù)的解釋能力較差,在數(shù)據(jù)預(yù)處理階段可以剔除部分離群學(xué)生數(shù)據(jù)。

    五、結(jié)語

    針對常用的分類模型的成績預(yù)測結(jié)果單一和難以分析的問題,文章采用GLM、Deep Learning、GBT、SVM四種模型進(jìn)行回歸成績預(yù)測,從模型預(yù)測精度、預(yù)測成績與真實成績分布和誤差分析進(jìn)行對比分析,對各種模型在成績預(yù)測上的適用性給出自己的見解?;貧w模型的成績預(yù)測結(jié)果可以進(jìn)一步實現(xiàn)數(shù)據(jù)統(tǒng)計分析,能夠詳細(xì)展現(xiàn)預(yù)測學(xué)生成績的狀況,以直觀、清晰、多樣的形式為教師和學(xué)校管理者提供決策支持,也能為學(xué)生學(xué)習(xí)重點提供指導(dǎo),對提升學(xué)生個性化教育起到推動作用。

    參考文獻(xiàn):

    [1]周慶,牟超,楊丹.教育數(shù)據(jù)挖掘研究進(jìn)展綜述[J].軟件學(xué)報,2015(11):282-298.

    [2]Goker H,Bulbul H I,Irmak E.The Estimation of Students' Academic Success by Data Mining Methods[C].International Conference on Machine Learning & Applications. IEEE Computer Society,2013.

    [3]Francis B K,Babu S S.Predicting Academic Performance of Students Using a Hybrid Data Mining Approach[J].Journal of Medical Systems,2019,43(6):162.

    [4]劉博鵬,樊鐵成,楊紅.基于數(shù)據(jù)挖掘技術(shù)的學(xué)生成績預(yù)警應(yīng)用研究[J].四川大學(xué)學(xué)報(自然科學(xué)版),2019(2).

    [5]孫力,程玉霞.大數(shù)據(jù)時代網(wǎng)絡(luò)教育學(xué)習(xí)成績預(yù)測的研究與實現(xiàn)——以本科公共課程統(tǒng)考英語為例[J].開放教育研究,2015(3).

    [6]張慧玲,高小力,劉永前等.三種主流風(fēng)電場功率預(yù)測算法適應(yīng)性對比研究[J].現(xiàn)代電力,2015(6):7-13.

    [7]李靜,徐路路.基于機器學(xué)習(xí)算法的研究熱點趨勢預(yù)測模型對比與分析——BP神經(jīng)網(wǎng)絡(luò)、支持向量機與LSTM模型[J].現(xiàn)代情報,2019(4):24-34.

    [8]H2O.ai.H2O-3框架使用說明[EB/OL].http://docs.h2o.ai.

    [9]Kumar K B S,Krishna G,Bhalaji N,et al.BCI cinematics-A pre-release analyser for movies using H 2 O deep learning platform[J].Computers & Electrical Engineering,2018:S0045790617315318.

    [10]林鵬程.預(yù)測鋰電池充電時間的三段SVR模型[J].電源技術(shù),2018(8):67-69,144.

    [11]陳德鑫,占袁圓,楊兵.深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J].電化教育研究,2019(2):70-78.

    (編輯:王天鵬)

    猜你喜歡
    回歸模型誤差分析
    氣壓高度計的測量誤差分析及修正方法
    農(nóng)村秸稈處理方式的影響因素
    東方教育(2016年9期)2017-01-17 00:43:44
    基于“比值比較法”確定最佳實驗方案的研究
    國際旅游外匯收入影響因素分析
    云錫老廠錫礦貫通測量分析研究
    城市空間用地擴(kuò)展變化研究與規(guī)模預(yù)測
    電子商務(wù)影響因素的計量分析
    商(2016年28期)2016-10-27 20:23:05
    房地產(chǎn)價格影響因素實證分析
    中國市場(2016年34期)2016-10-15 08:39:26
    電學(xué)計量的誤差分析及不確定度理論探究分析
    車載雷達(dá)陣面舉升裝置的位置誤差
    精品99又大又爽又粗少妇毛片| 美女cb高潮喷水在线观看| 神马国产精品三级电影在线观看| 久久欧美精品欧美久久欧美| 少妇的逼好多水| 中文字幕久久专区| 国产免费一级a男人的天堂| 1024手机看黄色片| 亚洲高清免费不卡视频| 婷婷色综合大香蕉| 精品乱码久久久久久99久播| 22中文网久久字幕| 亚洲精品日韩在线中文字幕 | 成人美女网站在线观看视频| 观看美女的网站| 免费观看精品视频网站| 亚洲在线自拍视频| 男人狂女人下面高潮的视频| 国产精品久久久久久av不卡| 国产 一区 欧美 日韩| 精品日产1卡2卡| 国产精品av视频在线免费观看| 直男gayav资源| 亚洲国产精品久久男人天堂| 激情 狠狠 欧美| 一个人免费在线观看电影| 成人亚洲欧美一区二区av| 淫秽高清视频在线观看| 国产精品永久免费网站| 久久精品91蜜桃| 精品少妇黑人巨大在线播放 | 午夜爱爱视频在线播放| 亚洲中文字幕日韩| 有码 亚洲区| 国产91av在线免费观看| 插逼视频在线观看| av免费在线看不卡| 精品久久国产蜜桃| 久久草成人影院| 国产乱人视频| 99国产极品粉嫩在线观看| 国产三级在线视频| 天堂av国产一区二区熟女人妻| 日韩成人伦理影院| 一本精品99久久精品77| 69av精品久久久久久| 欧美在线一区亚洲| 亚洲精品国产成人久久av| 中文字幕久久专区| 国产探花极品一区二区| 成人综合一区亚洲| 秋霞在线观看毛片| 偷拍熟女少妇极品色| 国产久久久一区二区三区| 久久人人爽人人爽人人片va| 亚洲国产精品成人久久小说 | 人妻丰满熟妇av一区二区三区| 亚洲无线观看免费| 变态另类丝袜制服| 婷婷精品国产亚洲av| 国产一区二区在线av高清观看| 日日撸夜夜添| 噜噜噜噜噜久久久久久91| 成年免费大片在线观看| 亚洲成人中文字幕在线播放| 亚州av有码| 99热这里只有是精品50| 在线观看66精品国产| 午夜老司机福利剧场| h日本视频在线播放| 亚洲精品日韩在线中文字幕 | 国产精品美女特级片免费视频播放器| 人妻丰满熟妇av一区二区三区| 国产精品免费一区二区三区在线| 国内精品久久久久精免费| 色5月婷婷丁香| 91在线精品国自产拍蜜月| 噜噜噜噜噜久久久久久91| 成人亚洲欧美一区二区av| 最近最新中文字幕大全电影3| 美女大奶头视频| 丝袜喷水一区| 99热6这里只有精品| 露出奶头的视频| 久久九九热精品免费| 一级毛片我不卡| 久久精品综合一区二区三区| 亚洲在线自拍视频| 人人妻,人人澡人人爽秒播| 久久久久久久久久久丰满| 天美传媒精品一区二区| 不卡一级毛片| 一a级毛片在线观看| 国产老妇女一区| 国产黄a三级三级三级人| 国产真实乱freesex| 此物有八面人人有两片| 69人妻影院| 在线观看午夜福利视频| 国产一区亚洲一区在线观看| 看黄色毛片网站| 国产老妇女一区| 精品熟女少妇av免费看| 久99久视频精品免费| 国产黄a三级三级三级人| 国产精品电影一区二区三区| 亚洲一区二区三区色噜噜| 亚洲av电影不卡..在线观看| 国产白丝娇喘喷水9色精品| 日韩大尺度精品在线看网址| av在线蜜桃| 2021天堂中文幕一二区在线观| 成人综合一区亚洲| АⅤ资源中文在线天堂| 亚洲国产精品sss在线观看| 亚洲欧美清纯卡通| 日韩在线高清观看一区二区三区| 久久久久久久久大av| 成熟少妇高潮喷水视频| 不卡一级毛片| 国产高潮美女av| 在线观看66精品国产| 免费在线观看影片大全网站| 国产精品,欧美在线| 亚洲国产欧美人成| 如何舔出高潮| 内地一区二区视频在线| 精品少妇黑人巨大在线播放 | 亚洲人成网站在线播| 伦理电影大哥的女人| 国产精品人妻久久久影院| 别揉我奶头~嗯~啊~动态视频| 18+在线观看网站| 国产老妇女一区| 热99在线观看视频| 日韩欧美精品免费久久| 老司机福利观看| 日本黄大片高清| 日韩国内少妇激情av| 日本在线视频免费播放| 网址你懂的国产日韩在线| 1000部很黄的大片| 精品久久久久久久久亚洲| 性色avwww在线观看| 中文字幕av在线有码专区| 九九久久精品国产亚洲av麻豆| 亚洲精品乱码久久久v下载方式| 午夜a级毛片| 亚洲av电影不卡..在线观看| 91在线观看av| 亚洲精品色激情综合| 欧美成人精品欧美一级黄| 精品一区二区三区视频在线观看免费| 在线观看美女被高潮喷水网站| 国产色爽女视频免费观看| 精品国产三级普通话版| 中文字幕人妻熟人妻熟丝袜美| 国产乱人视频| 国产精华一区二区三区| 免费黄网站久久成人精品| 欧美日韩在线观看h| 一本一本综合久久| 亚洲av二区三区四区| 中文字幕熟女人妻在线| 国产视频内射| 亚洲精品日韩在线中文字幕 | 国产亚洲91精品色在线| 少妇熟女欧美另类| 12—13女人毛片做爰片一| a级毛片免费高清观看在线播放| 成年av动漫网址| 日本五十路高清| 人妻少妇偷人精品九色| 日本-黄色视频高清免费观看| 亚洲av熟女| 亚洲,欧美,日韩| 亚洲性夜色夜夜综合| 亚洲av成人精品一区久久| 热99在线观看视频| 欧美色欧美亚洲另类二区| 悠悠久久av| 免费人成视频x8x8入口观看| 国产亚洲精品综合一区在线观看| 成人三级黄色视频| 麻豆乱淫一区二区| 国产精品亚洲一级av第二区| 夜夜爽天天搞| 人妻制服诱惑在线中文字幕| 黄色视频,在线免费观看| 国产av麻豆久久久久久久| 国产精品一区二区三区四区久久| 国产精品一区www在线观看| av天堂中文字幕网| 国产精华一区二区三区| 精品日产1卡2卡| 97人妻精品一区二区三区麻豆| 桃色一区二区三区在线观看| 又粗又爽又猛毛片免费看| 日本欧美国产在线视频| 免费观看在线日韩| 婷婷亚洲欧美| 久久午夜福利片| 国产成人freesex在线 | 如何舔出高潮| 久久久午夜欧美精品| 国产成人a∨麻豆精品| 99在线人妻在线中文字幕| 久久精品国产自在天天线| 三级男女做爰猛烈吃奶摸视频| 在线国产一区二区在线| 又黄又爽又刺激的免费视频.| 精品99又大又爽又粗少妇毛片| 国产精品一区www在线观看| 夜夜爽天天搞| 深爱激情五月婷婷| 免费高清视频大片| 日本 av在线| 人人妻,人人澡人人爽秒播| 久久精品91蜜桃| 大香蕉久久网| 成人一区二区视频在线观看| 日本三级黄在线观看| 桃色一区二区三区在线观看| 麻豆成人午夜福利视频| 午夜老司机福利剧场| 乱人视频在线观看| 波多野结衣高清作品| 草草在线视频免费看| 亚洲精品在线观看二区| 成人特级黄色片久久久久久久| 内射极品少妇av片p| 国产精品电影一区二区三区| 国内久久婷婷六月综合欲色啪| 免费在线观看成人毛片| 久久九九热精品免费| 性插视频无遮挡在线免费观看| 搡老妇女老女人老熟妇| 久久精品影院6| 免费av毛片视频| 日本 av在线| 哪里可以看免费的av片| 久久人人精品亚洲av| 日韩欧美一区二区三区在线观看| 一区二区三区四区激情视频 | 别揉我奶头~嗯~啊~动态视频| 2021天堂中文幕一二区在线观| 国产高清视频在线观看网站| 日韩精品有码人妻一区| 蜜桃亚洲精品一区二区三区| 亚洲精品国产av成人精品 | 久久久久久久久中文| 少妇丰满av| 日韩成人伦理影院| 日本爱情动作片www.在线观看 | 国内精品一区二区在线观看| 97热精品久久久久久| 天堂影院成人在线观看| 嫩草影院新地址| 欧美区成人在线视频| 久久精品影院6| 全区人妻精品视频| .国产精品久久| 久久精品夜色国产| 2021天堂中文幕一二区在线观| 久久草成人影院| 蜜桃亚洲精品一区二区三区| 干丝袜人妻中文字幕| 中文字幕免费在线视频6| 一本精品99久久精品77| 国内揄拍国产精品人妻在线| 免费不卡的大黄色大毛片视频在线观看 | 欧美日韩在线观看h| 男女啪啪激烈高潮av片| 午夜日韩欧美国产| 亚洲精品国产成人久久av| 亚洲av成人精品一区久久| 亚洲内射少妇av| 黄色配什么色好看| 亚洲乱码一区二区免费版| 久久午夜亚洲精品久久| 国产精品,欧美在线| 亚洲天堂国产精品一区在线| 人人妻人人澡欧美一区二区| 成人综合一区亚洲| 亚洲精品影视一区二区三区av| 国产精品久久久久久精品电影| 少妇丰满av| 国产精品国产高清国产av| 99久久精品一区二区三区| 免费观看精品视频网站| 少妇的逼水好多| 久久精品国产亚洲av香蕉五月| 一级黄片播放器| 狠狠狠狠99中文字幕| 18禁在线无遮挡免费观看视频 | av在线观看视频网站免费| 国产免费一级a男人的天堂| 亚洲电影在线观看av| 国产精品综合久久久久久久免费| av在线亚洲专区| 久久午夜亚洲精品久久| 久久精品国产亚洲av天美| 又爽又黄a免费视频| 丰满人妻一区二区三区视频av| 黄色一级大片看看| 在线播放无遮挡| 国产精品日韩av在线免费观看| 噜噜噜噜噜久久久久久91| 国产黄片美女视频| 日韩欧美精品免费久久| 久久久久久九九精品二区国产| 1024手机看黄色片| 亚洲一级一片aⅴ在线观看| 亚洲国产精品成人久久小说 | 亚洲乱码一区二区免费版| 精品一区二区三区av网在线观看| 最后的刺客免费高清国语| 亚洲欧美日韩高清专用| 麻豆久久精品国产亚洲av| 国产精品综合久久久久久久免费| 亚洲人成网站高清观看| 日韩大尺度精品在线看网址| 国产一区二区亚洲精品在线观看| 国产三级在线视频| 午夜免费男女啪啪视频观看 | 黑人高潮一二区| 无遮挡黄片免费观看| 欧美bdsm另类| 老师上课跳d突然被开到最大视频| 国产精品久久视频播放| 女同久久另类99精品国产91| 成人高潮视频无遮挡免费网站| 91狼人影院| 亚洲婷婷狠狠爱综合网| 黄片wwwwww| 欧美区成人在线视频| 黄色日韩在线| 狂野欧美激情性xxxx在线观看| 亚洲乱码一区二区免费版| 99久国产av精品| 一卡2卡三卡四卡精品乱码亚洲| 99riav亚洲国产免费| 嫩草影院新地址| 精品久久久久久久久亚洲| 麻豆久久精品国产亚洲av| 一个人看视频在线观看www免费| 亚洲精品日韩av片在线观看| av女优亚洲男人天堂| 最近在线观看免费完整版| 精品乱码久久久久久99久播| 久久久久久九九精品二区国产| 亚洲无线观看免费| 日韩 亚洲 欧美在线| 99热6这里只有精品| 我要搜黄色片| 搡老妇女老女人老熟妇| 国产一区二区三区av在线 | 美女被艹到高潮喷水动态| 日韩欧美免费精品| 乱人视频在线观看| 白带黄色成豆腐渣| 在线国产一区二区在线| 淫妇啪啪啪对白视频| 精品无人区乱码1区二区| 国产伦精品一区二区三区四那| 最近在线观看免费完整版| 精品久久久久久久久久免费视频| 婷婷色综合大香蕉| 国产高清不卡午夜福利| 男插女下体视频免费在线播放| 久久久久久久久久成人| 亚洲成av人片在线播放无| 99视频精品全部免费 在线| 联通29元200g的流量卡| а√天堂www在线а√下载| 91午夜精品亚洲一区二区三区| 欧美又色又爽又黄视频| 天天躁夜夜躁狠狠久久av| 国产精品人妻久久久影院| 又爽又黄a免费视频| 久久精品国产亚洲网站| 99久国产av精品| 国国产精品蜜臀av免费| 男女边吃奶边做爰视频| 自拍偷自拍亚洲精品老妇| 99久久九九国产精品国产免费| 亚洲久久久久久中文字幕| 久久久久国产网址| 国产欧美日韩精品一区二区| 俺也久久电影网| 精品国内亚洲2022精品成人| 国产精品无大码| 欧美丝袜亚洲另类| 国产精品久久电影中文字幕| 精品福利观看| 日韩欧美一区二区三区在线观看| 久久人人爽人人爽人人片va| 欧美日韩一区二区视频在线观看视频在线 | 欧美性猛交╳xxx乱大交人| 九九热线精品视视频播放| 免费看日本二区| 噜噜噜噜噜久久久久久91| 免费看日本二区| 国产精品野战在线观看| 美女cb高潮喷水在线观看| 高清毛片免费看| 天天躁夜夜躁狠狠久久av| 国产色爽女视频免费观看| 亚洲欧美精品综合久久99| 免费av不卡在线播放| 熟妇人妻久久中文字幕3abv| 成人毛片a级毛片在线播放| 欧洲精品卡2卡3卡4卡5卡区| 国产美女午夜福利| 久久久a久久爽久久v久久| 神马国产精品三级电影在线观看| 少妇被粗大猛烈的视频| 免费在线观看成人毛片| 国产黄色小视频在线观看| 麻豆国产av国片精品| 久久综合国产亚洲精品| 欧美色欧美亚洲另类二区| 亚洲国产欧洲综合997久久,| 成人美女网站在线观看视频| 亚洲成av人片在线播放无| 久久久久久久亚洲中文字幕| 看免费成人av毛片| 波多野结衣高清无吗| 91久久精品国产一区二区成人| 高清毛片免费观看视频网站| 97超视频在线观看视频| 久久中文看片网| 美女内射精品一级片tv| 最近2019中文字幕mv第一页| 精品久久国产蜜桃| 国产精华一区二区三区| 亚洲美女搞黄在线观看 | 成人亚洲精品av一区二区| 又黄又爽又免费观看的视频| 午夜影院日韩av| 一夜夜www| 欧美色欧美亚洲另类二区| 男女那种视频在线观看| 99久国产av精品国产电影| 精品99又大又爽又粗少妇毛片| 成年免费大片在线观看| 老熟妇乱子伦视频在线观看| 久久鲁丝午夜福利片| 精品午夜福利视频在线观看一区| 三级经典国产精品| 黄片wwwwww| 久久精品人妻少妇| 日韩中字成人| 最近视频中文字幕2019在线8| 久久韩国三级中文字幕| 午夜福利在线在线| 日本黄色片子视频| 欧美在线一区亚洲| 国产 一区精品| 成人综合一区亚洲| 一级毛片aaaaaa免费看小| av在线亚洲专区| 97超视频在线观看视频| 国产视频一区二区在线看| 亚洲国产高清在线一区二区三| 国产三级中文精品| 丝袜美腿在线中文| 天堂av国产一区二区熟女人妻| 精品一区二区三区人妻视频| 国产精品综合久久久久久久免费| 久久精品久久久久久噜噜老黄 | av在线亚洲专区| АⅤ资源中文在线天堂| 97在线视频观看| 亚洲av电影不卡..在线观看| 亚洲成人av在线免费| 男女边吃奶边做爰视频| 日韩欧美国产在线观看| 国产三级在线视频| 亚洲av熟女| 久久久久九九精品影院| 久久精品国产自在天天线| 俄罗斯特黄特色一大片| 亚洲国产精品成人综合色| 一级毛片久久久久久久久女| av视频在线观看入口| 麻豆一二三区av精品| 亚洲一级一片aⅴ在线观看| 免费不卡的大黄色大毛片视频在线观看 | 国内精品一区二区在线观看| 国产探花极品一区二区| 老熟妇仑乱视频hdxx| 天天一区二区日本电影三级| 国产高潮美女av| 国产高清视频在线观看网站| 亚洲美女搞黄在线观看 | 九九久久精品国产亚洲av麻豆| 亚洲婷婷狠狠爱综合网| 99久久无色码亚洲精品果冻| 亚洲成a人片在线一区二区| 在线观看66精品国产| 精品人妻一区二区三区麻豆 | 亚洲美女视频黄频| 丰满的人妻完整版| 国内揄拍国产精品人妻在线| 国产一区二区三区av在线 | 久久精品国产亚洲av涩爱 | 黄色视频,在线免费观看| 亚洲国产色片| 国产一区二区激情短视频| 国产欧美日韩一区二区精品| 偷拍熟女少妇极品色| 麻豆精品久久久久久蜜桃| 男人狂女人下面高潮的视频| 中文在线观看免费www的网站| 村上凉子中文字幕在线| 久久久色成人| 国产精品乱码一区二三区的特点| 91久久精品国产一区二区三区| 免费一级毛片在线播放高清视频| 国产精品人妻久久久影院| 欧美一级a爱片免费观看看| 国产欧美日韩精品亚洲av| 免费观看精品视频网站| 久久人人爽人人爽人人片va| 精品国内亚洲2022精品成人| 国产一区二区激情短视频| 国产欧美日韩精品一区二区| 国产成人福利小说| 成人精品一区二区免费| 舔av片在线| 亚洲,欧美,日韩| 波野结衣二区三区在线| 久久韩国三级中文字幕| 好男人在线观看高清免费视频| 久久精品国产亚洲av天美| 国产高清不卡午夜福利| 一夜夜www| 网址你懂的国产日韩在线| 亚洲va在线va天堂va国产| av在线蜜桃| 热99re8久久精品国产| 无遮挡黄片免费观看| 免费黄网站久久成人精品| 美女免费视频网站| 久久精品国产鲁丝片午夜精品| 日本精品一区二区三区蜜桃| 国内精品久久久久精免费| 日韩强制内射视频| 国产探花极品一区二区| videossex国产| 国产熟女欧美一区二区| 在线免费十八禁| 2021天堂中文幕一二区在线观| 中出人妻视频一区二区| 99久久精品热视频| 天堂网av新在线| 欧美一区二区国产精品久久精品| 亚洲无线观看免费| 夜夜爽天天搞| 亚洲中文字幕一区二区三区有码在线看| 国产美女午夜福利| 久久国产乱子免费精品| 99久久成人亚洲精品观看| 国产精品一区二区三区四区久久| 国产伦精品一区二区三区四那| 18禁在线播放成人免费| 看十八女毛片水多多多| 日本欧美国产在线视频| 国产高潮美女av| 欧美3d第一页| 男女下面进入的视频免费午夜| 男女那种视频在线观看| 淫秽高清视频在线观看| 欧美激情国产日韩精品一区| 中国美女看黄片| ponron亚洲| 蜜桃亚洲精品一区二区三区| 91麻豆精品激情在线观看国产| 亚洲在线自拍视频| 欧美性猛交╳xxx乱大交人| h日本视频在线播放| 最近在线观看免费完整版| 亚洲精品一区av在线观看| 国产精品久久电影中文字幕| 亚洲国产欧洲综合997久久,| 亚洲国产日韩欧美精品在线观看| 卡戴珊不雅视频在线播放| 免费观看在线日韩| 日韩 亚洲 欧美在线| 婷婷色综合大香蕉| 亚洲av成人精品一区久久| 国产一区二区三区在线臀色熟女| 又黄又爽又免费观看的视频| 给我免费播放毛片高清在线观看| 久久久午夜欧美精品| 中文字幕免费在线视频6| 国产高清视频在线观看网站| 日日摸夜夜添夜夜添av毛片| 亚洲高清免费不卡视频| 国产高清不卡午夜福利| 成人性生交大片免费视频hd| 国产精品无大码| 老师上课跳d突然被开到最大视频| 成年女人永久免费观看视频| 国产成人freesex在线 | 亚洲中文字幕日韩| 免费在线观看成人毛片| 搡女人真爽免费视频火全软件 | 91午夜精品亚洲一区二区三区| 精品日产1卡2卡| 久久久久久久久久黄片| 成人精品一区二区免费| 色播亚洲综合网| 国产精品一区二区性色av|