• <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
    国产免费一级a男人的天堂| 亚洲激情五月婷婷啪啪| 亚洲精品亚洲一区二区| 亚洲精品色激情综合| 嫩草影院精品99| 性色avwww在线观看| 成年免费大片在线观看| 国产精品人妻久久久久久| 国产一级毛片七仙女欲春2| 久久精品久久久久久噜噜老黄| 有码 亚洲区| 性插视频无遮挡在线免费观看| 狂野欧美白嫩少妇大欣赏| 欧美极品一区二区三区四区| 日本熟妇午夜| freevideosex欧美| 亚洲内射少妇av| 亚洲精品影视一区二区三区av| 国产精品一二三区在线看| 青春草视频在线免费观看| .国产精品久久| av播播在线观看一区| 我的女老师完整版在线观看| 丰满少妇做爰视频| 亚洲天堂国产精品一区在线| 国产老妇女一区| 精华霜和精华液先用哪个| 色综合站精品国产| 免费黄色在线免费观看| 中文字幕av在线有码专区| 国产成人精品久久久久久| 久久这里只有精品中国| 日韩欧美精品免费久久| 乱码一卡2卡4卡精品| 黄色配什么色好看| 久久精品国产自在天天线| 一级二级三级毛片免费看| 亚洲欧美中文字幕日韩二区| 久久这里有精品视频免费| 肉色欧美久久久久久久蜜桃 | 看非洲黑人一级黄片| 男女国产视频网站| 久久久久性生活片| 尾随美女入室| 精品人妻视频免费看| 激情五月婷婷亚洲| 人妻系列 视频| 国产欧美日韩精品一区二区| 精品人妻偷拍中文字幕| 久久久精品94久久精品| 99热全是精品| 欧美人与善性xxx| 日韩精品青青久久久久久| 亚洲一级一片aⅴ在线观看| 听说在线观看完整版免费高清| 春色校园在线视频观看| 午夜久久久久精精品| 欧美不卡视频在线免费观看| 成人国产麻豆网| 日韩成人av中文字幕在线观看| 亚洲精品第二区| 免费观看精品视频网站| 亚洲精品乱码久久久久久按摩| 亚洲av成人av| av国产久精品久网站免费入址| 成人亚洲精品av一区二区| 色5月婷婷丁香| 国产黄色免费在线视频| 在线观看美女被高潮喷水网站| 99热全是精品| 一个人看视频在线观看www免费| freevideosex欧美| 亚洲精品久久午夜乱码| 欧美极品一区二区三区四区| 亚洲成人av在线免费| 久久精品夜夜夜夜夜久久蜜豆| 天美传媒精品一区二区| 午夜福利成人在线免费观看| 国产毛片a区久久久久| 欧美日韩精品成人综合77777| 久久精品久久久久久噜噜老黄| 成人特级av手机在线观看| 啦啦啦中文免费视频观看日本| 日韩亚洲欧美综合| 日韩欧美一区视频在线观看 | 日本黄色片子视频| 99久久九九国产精品国产免费| 看非洲黑人一级黄片| 91久久精品国产一区二区成人| 欧美极品一区二区三区四区| 国产午夜福利久久久久久| 亚洲av福利一区| 乱系列少妇在线播放| 赤兔流量卡办理| 午夜福利在线在线| 国产免费视频播放在线视频 | 国产国拍精品亚洲av在线观看| 五月天丁香电影| 久久精品熟女亚洲av麻豆精品 | 一本久久精品| 看黄色毛片网站| 国产极品天堂在线| 色播亚洲综合网| 欧美成人午夜免费资源| 一级毛片黄色毛片免费观看视频| 国产一区二区亚洲精品在线观看| 国产单亲对白刺激| 欧美日韩综合久久久久久| 免费电影在线观看免费观看| 国产精品久久久久久精品电影小说 | 亚洲av国产av综合av卡| 超碰av人人做人人爽久久| 久久久久性生活片| 日韩国内少妇激情av| 黄片无遮挡物在线观看| 午夜亚洲福利在线播放| 亚洲成人一二三区av| 亚洲欧美成人精品一区二区| 亚洲精品成人久久久久久| 听说在线观看完整版免费高清| 99热这里只有是精品在线观看| 午夜视频国产福利| 91aial.com中文字幕在线观看| 国产精品女同一区二区软件| 嘟嘟电影网在线观看| 国产成人一区二区在线| 男女下面进入的视频免费午夜| 久久精品久久精品一区二区三区| 晚上一个人看的免费电影| 岛国毛片在线播放| 亚洲国产av新网站| 日韩欧美精品免费久久| 精品久久久噜噜| 国产女主播在线喷水免费视频网站 | 亚洲高清免费不卡视频| 国产综合懂色| 男的添女的下面高潮视频| 日本猛色少妇xxxxx猛交久久| 老司机影院成人| 丝袜喷水一区| 汤姆久久久久久久影院中文字幕 | 久久久久久久大尺度免费视频| 国产成人freesex在线| av国产免费在线观看| 91久久精品国产一区二区成人| 成年av动漫网址| 岛国毛片在线播放| 亚洲av福利一区| 日韩 亚洲 欧美在线| 波多野结衣巨乳人妻| 亚洲激情五月婷婷啪啪| 嫩草影院新地址| 欧美 日韩 精品 国产| 国产一区二区三区综合在线观看 | 天天躁日日操中文字幕| 观看免费一级毛片| 身体一侧抽搐| 青春草亚洲视频在线观看| 一区二区三区激情视频| 五月开心婷婷网| 最黄视频免费看| 热re99久久国产66热| 99久久人妻综合| 国产精品av久久久久免费| 亚洲成国产人片在线观看| 美国免费a级毛片| tube8黄色片| 高清黄色对白视频在线免费看| 男女高潮啪啪啪动态图| 久久久久久人人人人人| 欧美最新免费一区二区三区| www.熟女人妻精品国产| 精品人妻一区二区三区麻豆| 国产福利在线免费观看视频| 最近中文字幕高清免费大全6| 久久久国产欧美日韩av| 18在线观看网站| 国产av国产精品国产| 男女高潮啪啪啪动态图| 18禁动态无遮挡网站| 欧美日韩综合久久久久久| 国产激情久久老熟女| 美女视频免费永久观看网站| 最近中文字幕2019免费版| 日韩av免费高清视频| 韩国av在线不卡| 国产免费现黄频在线看| 中文字幕最新亚洲高清| 欧美成人午夜免费资源| 亚洲人成电影观看| 欧美日韩国产mv在线观看视频| 午夜免费观看性视频| 成人手机av| 国产精品久久久久久av不卡| 国产不卡av网站在线观看| 国产 一区精品| 国产精品嫩草影院av在线观看| 我的亚洲天堂| 国产成人a∨麻豆精品| 天堂俺去俺来也www色官网| 老熟女久久久| 免费在线观看完整版高清| 美女大奶头黄色视频| 久久久久国产一级毛片高清牌| 高清不卡的av网站| 久久精品夜色国产| 狂野欧美激情性bbbbbb| 久久久久久久亚洲中文字幕| 欧美av亚洲av综合av国产av | 两个人免费观看高清视频| 大话2 男鬼变身卡| 亚洲综合色网址| 在现免费观看毛片| 免费黄频网站在线观看国产| 日本黄色日本黄色录像| 成人国产av品久久久| 精品亚洲乱码少妇综合久久| 午夜日本视频在线| 卡戴珊不雅视频在线播放| 日韩欧美一区视频在线观看| 久久精品国产自在天天线| 亚洲精品日本国产第一区| www.av在线官网国产| 啦啦啦在线观看免费高清www| 国产无遮挡羞羞视频在线观看| 黄频高清免费视频| 国产日韩一区二区三区精品不卡| 天天影视国产精品| 69精品国产乱码久久久| 91精品伊人久久大香线蕉| 最近中文字幕高清免费大全6| 在线观看美女被高潮喷水网站| 国产精品国产三级国产专区5o| 18+在线观看网站| 只有这里有精品99| 国产免费视频播放在线视频| 波多野结衣av一区二区av| 男女啪啪激烈高潮av片| 日韩成人av中文字幕在线观看| 久久人人97超碰香蕉20202| 国产av精品麻豆| 在线观看三级黄色| 777久久人妻少妇嫩草av网站| 午夜免费男女啪啪视频观看| 精品人妻偷拍中文字幕| 日韩成人av中文字幕在线观看| 自线自在国产av| 99国产综合亚洲精品| 成人国产麻豆网| 国产精品女同一区二区软件| 老司机影院成人| 午夜福利乱码中文字幕| 天天操日日干夜夜撸| 亚洲欧洲日产国产| 人妻少妇偷人精品九色| 国产精品香港三级国产av潘金莲 | 久久久久久久精品精品| 久久久久久人妻| 伊人亚洲综合成人网| 国产精品久久久久久av不卡| 99re6热这里在线精品视频| 在线观看三级黄色| av在线老鸭窝| 精品国产一区二区久久| 亚洲成人一二三区av| av网站免费在线观看视频| 午夜福利视频精品| 在线精品无人区一区二区三| 男女国产视频网站| 国产精品香港三级国产av潘金莲 | 午夜av观看不卡| 亚洲一区中文字幕在线| 日本-黄色视频高清免费观看| 久久97久久精品| 亚洲精品久久成人aⅴ小说| 亚洲国产av新网站| 亚洲美女搞黄在线观看| 制服诱惑二区| 亚洲精品成人av观看孕妇| 亚洲第一区二区三区不卡| 天美传媒精品一区二区| 熟女av电影| 有码 亚洲区| 97在线人人人人妻| 亚洲欧洲国产日韩| 一区二区三区激情视频| 日韩av在线免费看完整版不卡| 丝袜美足系列| 国产伦理片在线播放av一区| 国产精品 欧美亚洲| 亚洲av在线观看美女高潮| 国产黄频视频在线观看| 秋霞在线观看毛片| a级毛片在线看网站| 午夜福利影视在线免费观看| 久久女婷五月综合色啪小说| 免费观看性生交大片5| 成年女人在线观看亚洲视频| 2018国产大陆天天弄谢| 丝袜喷水一区| av免费在线看不卡| videos熟女内射| 美女主播在线视频| 久久精品久久久久久久性| a级毛片在线看网站| 夜夜骑夜夜射夜夜干| 久久鲁丝午夜福利片| 久久ye,这里只有精品| 国产精品麻豆人妻色哟哟久久| 婷婷色综合大香蕉| 少妇熟女欧美另类| 这个男人来自地球电影免费观看 | 成年女人在线观看亚洲视频| 自拍欧美九色日韩亚洲蝌蚪91| 男人舔女人的私密视频| av免费观看日本| 久久久精品区二区三区| 只有这里有精品99| 国产日韩欧美视频二区| 日韩av不卡免费在线播放| 欧美在线黄色| xxx大片免费视频| 亚洲图色成人| 免费播放大片免费观看视频在线观看| 欧美 日韩 精品 国产| 国产极品天堂在线| 一区二区三区激情视频| 日韩一本色道免费dvd| 亚洲av免费高清在线观看| 国产av码专区亚洲av| 国产av国产精品国产| 宅男免费午夜| 国产综合精华液| 日韩一区二区视频免费看| av又黄又爽大尺度在线免费看| 老熟女久久久| 视频区图区小说| 亚洲国产欧美日韩在线播放| 在线观看免费日韩欧美大片| 少妇熟女欧美另类| 2022亚洲国产成人精品| 三级国产精品片| 精品福利永久在线观看| 最近的中文字幕免费完整| 中文字幕人妻丝袜制服| 精品国产国语对白av| 国产成人精品福利久久| 啦啦啦在线免费观看视频4| 人妻一区二区av| 91久久精品国产一区二区三区| 亚洲第一av免费看| 久久久久国产一级毛片高清牌| 一个人免费看片子| 免费不卡的大黄色大毛片视频在线观看| 老熟女久久久| 日韩大片免费观看网站| 日本91视频免费播放| 菩萨蛮人人尽说江南好唐韦庄| 日韩制服丝袜自拍偷拍| 国产国语露脸激情在线看| 如何舔出高潮| 26uuu在线亚洲综合色| 国产无遮挡羞羞视频在线观看| 91国产中文字幕| 麻豆乱淫一区二区| 亚洲精品久久久久久婷婷小说| 最近的中文字幕免费完整| 亚洲av欧美aⅴ国产| 下体分泌物呈黄色| 亚洲一码二码三码区别大吗| www日本在线高清视频| 在线看a的网站| 亚洲欧美清纯卡通| 亚洲精品aⅴ在线观看| 欧美人与性动交α欧美软件| 免费观看av网站的网址| av不卡在线播放| 免费女性裸体啪啪无遮挡网站| 午夜福利影视在线免费观看| 午夜福利在线观看免费完整高清在| 最近手机中文字幕大全| 免费高清在线观看日韩| 国产在视频线精品| 交换朋友夫妻互换小说| 欧美日韩精品网址| 一区二区三区精品91| 三级国产精品片| 超色免费av| 免费看av在线观看网站| 日韩中字成人| 久久精品国产亚洲av天美| 日韩不卡一区二区三区视频在线| 亚洲精品一区蜜桃| 一本色道久久久久久精品综合| 午夜影院在线不卡| 日本猛色少妇xxxxx猛交久久| 久久久精品免费免费高清| 多毛熟女@视频| 18+在线观看网站| 搡老乐熟女国产| 人人妻人人爽人人添夜夜欢视频| 久久精品久久精品一区二区三区| 看十八女毛片水多多多| av电影中文网址| 国产免费福利视频在线观看| 9热在线视频观看99| 一级片免费观看大全| 亚洲欧美精品综合一区二区三区 | 婷婷色综合www| 国产熟女欧美一区二区| 欧美日韩av久久| 久久久久久久久久久久大奶| 一级a爱视频在线免费观看| 欧美亚洲 丝袜 人妻 在线| 天堂俺去俺来也www色官网| 男人操女人黄网站| 三上悠亚av全集在线观看| 视频区图区小说| 新久久久久国产一级毛片| 最近最新中文字幕免费大全7| 亚洲国产毛片av蜜桃av| 一级片'在线观看视频| 国产淫语在线视频| 成人影院久久| 中文字幕人妻丝袜一区二区 | 亚洲国产成人一精品久久久| 极品人妻少妇av视频| 女人高潮潮喷娇喘18禁视频| 777米奇影视久久| 久久精品熟女亚洲av麻豆精品| 国产精品三级大全| 在线精品无人区一区二区三| 久久韩国三级中文字幕| 免费女性裸体啪啪无遮挡网站| www日本在线高清视频| 亚洲av欧美aⅴ国产| 人妻系列 视频| 制服诱惑二区| 久久精品国产亚洲av天美| 免费不卡的大黄色大毛片视频在线观看| 免费少妇av软件| 精品一区在线观看国产| 亚洲男人天堂网一区| 久久 成人 亚洲| 人人妻人人澡人人爽人人夜夜| 一区二区三区乱码不卡18| 男女免费视频国产| 狂野欧美激情性bbbbbb| 五月伊人婷婷丁香| 99久久人妻综合| 免费不卡的大黄色大毛片视频在线观看| 午夜福利乱码中文字幕| 青青草视频在线视频观看| 国产白丝娇喘喷水9色精品| 亚洲四区av| 国产有黄有色有爽视频| 成年人午夜在线观看视频| 男女边摸边吃奶| 亚洲国产欧美日韩在线播放| 美女国产视频在线观看| 精品视频人人做人人爽| 9色porny在线观看| 欧美日本中文国产一区发布| 一级毛片我不卡| 国产福利在线免费观看视频| 亚洲精品在线美女| 精品一区二区三区四区五区乱码 | 下体分泌物呈黄色| 两性夫妻黄色片| 乱人伦中国视频| 中文精品一卡2卡3卡4更新| 秋霞伦理黄片| 午夜免费鲁丝| 亚洲成色77777| 美女国产高潮福利片在线看| 国产黄频视频在线观看| 纯流量卡能插随身wifi吗| 一本色道久久久久久精品综合| h视频一区二区三区| 我的亚洲天堂| 国产精品av久久久久免费| 九色亚洲精品在线播放| 香蕉国产在线看| 亚洲图色成人| 夫妻午夜视频| 99国产精品免费福利视频| 亚洲国产最新在线播放| 老鸭窝网址在线观看| 国产成人欧美| 成人国语在线视频| 少妇被粗大的猛进出69影院| 91精品伊人久久大香线蕉| 日本-黄色视频高清免费观看| 少妇熟女欧美另类| 日韩不卡一区二区三区视频在线| 日韩精品免费视频一区二区三区| 观看美女的网站| 久久女婷五月综合色啪小说| 九色亚洲精品在线播放| 99香蕉大伊视频| 国产成人精品一,二区| 国产片内射在线| 黄色配什么色好看| 亚洲三区欧美一区| 精品久久久久久电影网| 亚洲人成网站在线观看播放| 热re99久久国产66热| 伊人亚洲综合成人网| 女人被躁到高潮嗷嗷叫费观| 国产一区亚洲一区在线观看| 99国产精品免费福利视频| 99九九在线精品视频| 男女边摸边吃奶| 三上悠亚av全集在线观看| 中文精品一卡2卡3卡4更新| 免费在线观看完整版高清| 看免费av毛片| 欧美xxⅹ黑人| 精品国产超薄肉色丝袜足j| 日本午夜av视频| 男人舔女人的私密视频| 一区二区av电影网| 日韩伦理黄色片| 日韩中文字幕欧美一区二区 | 好男人视频免费观看在线| 99国产综合亚洲精品| 国产精品久久久久成人av| 亚洲第一区二区三区不卡| 狂野欧美激情性bbbbbb| 国产精品成人在线| 妹子高潮喷水视频| 人人妻人人澡人人看| 精品亚洲乱码少妇综合久久| 精品久久蜜臀av无| 久久久久久人妻| 99热网站在线观看| 国产xxxxx性猛交| 欧美国产精品一级二级三级| 熟女av电影| 啦啦啦在线免费观看视频4| 美女高潮到喷水免费观看| 午夜91福利影院| 欧美日韩一区二区视频在线观看视频在线| 国产精品嫩草影院av在线观看| 男女啪啪激烈高潮av片| 国产 精品1| 欧美xxⅹ黑人| 精品卡一卡二卡四卡免费| 午夜福利在线免费观看网站| 9热在线视频观看99| 精品国产乱码久久久久久小说| 日本欧美视频一区| av国产精品久久久久影院| 在线看a的网站| 久久久久久久国产电影| av网站在线播放免费| 国产成人精品福利久久| 在线 av 中文字幕| 最新中文字幕久久久久| 国产午夜精品一二区理论片| 一区二区三区乱码不卡18| 中文欧美无线码| 日本欧美视频一区| 国产免费视频播放在线视频| 国产精品 国内视频| 伊人久久国产一区二区| 精品一区在线观看国产| 日本免费在线观看一区| 精品少妇一区二区三区视频日本电影 | 亚洲国产精品一区二区三区在线| 国产一级毛片在线| av网站在线播放免费| www.av在线官网国产| 久久精品夜色国产| 国产成人91sexporn| 欧美+日韩+精品| 高清欧美精品videossex| 观看av在线不卡| 一区福利在线观看| 午夜91福利影院| 91国产中文字幕| 青春草视频在线免费观看| 免费观看无遮挡的男女| 亚洲av中文av极速乱| 国产在线一区二区三区精| 久久午夜综合久久蜜桃| 制服丝袜香蕉在线| 在线亚洲精品国产二区图片欧美| 亚洲精品乱久久久久久| 午夜影院在线不卡| 熟女少妇亚洲综合色aaa.| 日韩精品免费视频一区二区三区| 国产精品 欧美亚洲| 日韩,欧美,国产一区二区三区| 校园人妻丝袜中文字幕| 捣出白浆h1v1| 亚洲精品国产av成人精品| 亚洲国产精品一区二区三区在线| 免费在线观看视频国产中文字幕亚洲 | 九草在线视频观看| 精品国产国语对白av| 欧美精品一区二区大全| 97人妻天天添夜夜摸| 免费人妻精品一区二区三区视频| 狠狠精品人妻久久久久久综合| 99热网站在线观看| 亚洲国产看品久久| 国产高清国产精品国产三级| 美女高潮到喷水免费观看| 亚洲欧美清纯卡通| 亚洲一区二区三区欧美精品| 999精品在线视频| 亚洲伊人久久精品综合| 精品一品国产午夜福利视频| 久久综合国产亚洲精品|