近年來隨著高等教育的普及,高校人數(shù)也隨之激增。同時(shí)對(duì)于高校中經(jīng)濟(jì)有一定困難的學(xué)生,黨和政府也下發(fā)了一系列文件來幫助困難學(xué)生,使他們順利完成學(xué)業(yè)。當(dāng)前高校決定是否資助貧困生以及確定資助學(xué)生的助學(xué)金發(fā)放等級(jí)是按照“學(xué)生申請(qǐng)—老師簽字—學(xué)校審批”的程序來進(jìn)行的,這樣的程序不可避免的會(huì)受到一些人為因素的影響。與此同時(shí),隨著大數(shù)據(jù)和互聯(lián)網(wǎng)時(shí)代的到來為高校處理精準(zhǔn)資助問題提供了新的思路和技術(shù)支持。本論文采用四川某高校2013—2015兩年的學(xué)生在校行作為數(shù)據(jù)挖掘?qū)ο?使用數(shù)據(jù)挖掘技術(shù)和機(jī)器學(xué)習(xí)算法建立高校助學(xué)金精準(zhǔn)預(yù)測模型并以F1值作為該模型的評(píng)估指標(biāo)。本文首先進(jìn)行數(shù)據(jù)預(yù)處理,接著進(jìn)行探索性數(shù)據(jù)分析和特征工程以期獲得優(yōu)秀的特征數(shù)據(jù)。隨后通過交叉驗(yàn)證法校驗(yàn)?zāi)Ｐ途?并在模型構(gòu)建過程中對(duì)比了隨機(jī)森林算法、AdaBoost算法、支持向量機(jī)以及GBDT算法在助學(xué)金精準(zhǔn)預(yù)測模型上的效果,初步發(fā)現(xiàn)GBDT算法效果相對(duì)最優(yōu)。為了進(jìn)一步提高助學(xué)金預(yù)測模型的性能,本文利用集成學(xué)習(xí)中的Stacking方法進(jìn)行多模型融合,最后結(jié)合GBDT算法,AdaBoost算法和隨機(jī)森林算法通過一定比例融合由此進(jìn)一步提升了模型的性能...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1二分類間隔最大分離平面圖

圖2.1二分類間隔最大分離平面圖撐向量對(duì)于確立分離超平面很關(guān)鍵，因此將這種分類模支撐向量一般情況下并不會(huì)太多，所以SVM是由較少基本模型推導(dǎo)類數(shù)據(jù)為例，已知訓(xùn)練樣本集(x,y),i1,2,,l,xR,niix)b0，為使分界面具備分類間隔且對(duì)所有樣....

圖2.2支持向量機(jī)體系結(jié)構(gòu)

ljijjjibyyaxx1()上述公式中下標(biāo){0}jjja。因此最優(yōu)分類超平面為()wx類函數(shù)則為：nljjjjifxwxbayxxbxR()sgn{()}sgn{(())},*1*線性不可分的情況下，支持向量機(jī)主要思路是將輸....

圖2.3有放回抽樣

第2章基礎(chǔ)算法綜述獎(jiǎng)，也因?yàn)槠鋝tate-of-art的特性成為了分類算法的首選領(lǐng)域得到了大規(guī)模應(yīng)用，也是目前比較熱門的科研算法之domForest基本模型推導(dǎo)林的構(gòu)建主要為以下三點(diǎn)：顆決策樹均通過抽樣產(chǎn)生對(duì)應(yīng)的訓(xùn)練集練集均對(duì)應(yīng)一棵決策樹，若需要構(gòu)建n棵決策樹，則....

圖2.4隨機(jī)森林算法示意圖

第2章基礎(chǔ)算法綜述用公式計(jì)算每個(gè)變量的基尼指數(shù)，接著按基尼指數(shù)最小的原則，選取一個(gè)變量進(jìn)行切分，最后通過遞歸的形式，構(gòu)建決策樹，從而產(chǎn)生分類規(guī)則。在CART算法中，產(chǎn)生葉子節(jié)點(diǎn)的規(guī)則主要有：1)決策樹的深度大于用戶設(shè)定的值;2)當(dāng)前數(shù)據(jù)集的屬性變量為0；3)當(dāng)前數(shù)....

本文編號(hào)：3972386