MOOC（massive Open Online Course）全稱為“大規(guī)模在線開放課程”,因其資料共享性、課程開放性、教育自主性和終身性等傳統(tǒng)教育行業(yè)欠缺的優(yōu)質(zhì)特色吸引了全球數(shù)以萬計(jì)的學(xué)習(xí)者加入。此外它不受時(shí)間、地點(diǎn)限制的特性,實(shí)現(xiàn)了以學(xué)生自學(xué)為主的學(xué)習(xí)形式,更讓優(yōu)質(zhì)的教學(xué)資源得到了充分利用,并且為學(xué)生提供了專業(yè)且個(gè)性化的學(xué)習(xí)服務(wù),這是一種教學(xué)方式,更是一個(gè)完整、全面的教學(xué)系統(tǒng)。但同時(shí)也因其自主選擇性而導(dǎo)致極高的輟學(xué)率,成為制約MOOC普及和發(fā)展的主要原因。想要解決上述問題,需要充分掌握學(xué)習(xí)者日常的學(xué)習(xí)行為,對(duì)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,并對(duì)其是否輟學(xué)進(jìn)行預(yù)測(cè)。通過對(duì)學(xué)習(xí)者學(xué)習(xí)行為的分析來準(zhǔn)確的預(yù)測(cè)其趨勢(shì)和學(xué)習(xí)模式,可以幫助教師、平臺(tái)管理者了解學(xué)習(xí)者的學(xué)習(xí)情況,及時(shí)采取相應(yīng)措施來減少輟學(xué)率。在本文中,將10天沒有學(xué)習(xí)行為的學(xué)習(xí)者歸為輟學(xué)者,界定原則為某個(gè)時(shí)間點(diǎn)后面10天是否有日志記錄。所以對(duì)學(xué)習(xí)者的是否輟學(xué)建模研究是一個(gè)二分類問題。本文主要有兩部分構(gòu)成:第一部分對(duì)學(xué)習(xí)者學(xué)習(xí)行為進(jìn)行了分析,并采用特征工程,提取了三種形式的特征進(jìn)行整合。第二部分為輟學(xué)預(yù)測(cè)部分,使用六種不同的模型對(duì)提取的... 

【文章來源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖像

第2章理論基礎(chǔ)15圖2.2支持向量與間隔（圖2.2來源于網(wǎng)絡(luò)）支持向量機(jī)的基本型是找到其中最大間隔的劃分超平面，即最大；,2max..()1,1,2,...,bTiistyxbim+=(2.8)為讓間隔最大化，只需最大化1，也就是最小化2，即2,1min2..()1,1,2,...,bTiistyxbim+=(2.9)對(duì)約束條件添加拉格朗日乘子0i，并運(yùn)用拉格朗日乘子法來得到它的對(duì)偶問題，求解,,ib來得到最大間隔超平面。2.2.3決策樹不同于邏輯回歸，決策樹屬于非線性模型，可應(yīng)用于分類，也可進(jìn)行回歸，是最實(shí)用的和使用最廣泛的歸納推理方法之一。它是一種歸納學(xué)習(xí)且建立在實(shí)例基礎(chǔ)上，其流程結(jié)構(gòu)圖為樹形，遵循if-then規(guī)則。它的基本思想為：從頂部開始往下來構(gòu)建一棵以度量為標(biāo)準(zhǔn)下降最快的樹，其中以信息增益(或基尼系數(shù)、

基于特征工程的MOOC輟學(xué)預(yù)測(cè)研究——以學(xué)堂在線為例16信息增益比等)為度量。樹中的一個(gè)節(jié)點(diǎn)表示一個(gè)屬性的判別，從上往下進(jìn)行決策直到葉子節(jié)點(diǎn)處只剩下同一類別的樣本。它的決策流程如下所示:圖2.3決策樹分類流程圖（圖2.3來源于網(wǎng)絡(luò)）一棵決策樹主要按照以下3個(gè)步驟來生成:⑴特征選擇：從數(shù)據(jù)中的多個(gè)特征中選一個(gè)特征為當(dāng)前節(jié)點(diǎn)的決策標(biāo)準(zhǔn)。選用不同的評(píng)估標(biāo)準(zhǔn)，挑選出來的特征也有所不同，最終產(chǎn)生不同的決策樹算法。⑵決策樹生成：按照上面選擇的特征評(píng)估標(biāo)準(zhǔn)，從上往下依次確定子節(jié)點(diǎn)，當(dāng)數(shù)據(jù)集中只剩下屬于同一類的樣本時(shí)，停止決策樹的生長(zhǎng)。⑶剪枝：決策樹在生成過程中容易出現(xiàn)過擬合問題，通常是通過剪枝來解決，其中包括預(yù)剪枝和后剪枝兩種剪枝技術(shù)。決策樹算法中最關(guān)鍵的是如何進(jìn)行特征選擇，其中對(duì)數(shù)據(jù)集的劃分最重要的一個(gè)原則是：使數(shù)據(jù)無序轉(zhuǎn)變有序，將同一類別劃分到一個(gè)樣本內(nèi)，使決策樹中的葉節(jié)點(diǎn)“純度”最高。其中劃分屬性的指標(biāo)通常有三種：信息增益、增益率、基尼指數(shù)。⑴信息增益：假設(shè)樣本集合D中第k類樣本占總樣本的比例為kP（k=1,2,.K)，則D的信息熵為：

【參考文獻(xiàn)】：
期刊論文
[1]基于GBDT+特征工程方法對(duì)電量的預(yù)測(cè)的研究[J]. 張帆,郭雅鑫,楊靖,顧洪建.  電子質(zhì)量. 2020(01)
[2]基于AdaBoost算法的MOOC退課預(yù)測(cè)研究[J]. 楊璐,郭文鋒,賀強(qiáng),高宇鵬.  計(jì)算機(jī)時(shí)代. 2019(08)
[3]基于特征工程的網(wǎng)絡(luò)廣告收益轉(zhuǎn)化精準(zhǔn)度研究[J]. 趙又霖,張慧敏.  武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版). 2018(06)
[4]MOOC學(xué)習(xí)者特征聚類分析研究綜述[J]. 王夢(mèng)倩,范逸洲,郭文革,汪瓊.  中國(guó)遠(yuǎn)程教育. 2018(07)
[5]集成學(xué)習(xí)之隨機(jī)森林算法綜述[J]. 王奕森,夏樹濤.  信息通信技術(shù). 2018(01)
[6]基于MOOC數(shù)據(jù)的學(xué)習(xí)者輟課預(yù)測(cè)研究[J]. 王雪宇,鄒剛,李驍.  現(xiàn)代教育技術(shù). 2017(06)
[7]MOOC質(zhì)量評(píng)價(jià)體系的構(gòu)建探究[J]. 童小素,賈小軍.  中國(guó)遠(yuǎn)程教育. 2017(05)
[8]一種基于滑動(dòng)窗口模型的MOOCs輟學(xué)率預(yù)測(cè)方法[J]. 盧曉航,王勝清,黃俊杰,陳文廣,閆增旺.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2017(04)
[9]MOOC學(xué)習(xí)行為的統(tǒng)計(jì)、預(yù)測(cè)與展望[J]. 伍杰華,付慧平.  工業(yè)和信息化教育. 2017(02)
[10]基于隨機(jī)森林的用戶對(duì)在線課程的放棄預(yù)測(cè)[J]. 王曉杰,孫仁誠(chéng),邵峰晶.  青島大學(xué)學(xué)報(bào)(工程技術(shù)版). 2016(04)

博士論文
[1]網(wǎng)絡(luò)學(xué)習(xí)行為分析及建模[D]. 彭文輝.華中師范大學(xué) 2012

碩士論文
[1]基于用戶行為序列的網(wǎng)絡(luò)購(gòu)買行為預(yù)測(cè)[D]. 段文強(qiáng).江西財(cái)經(jīng)大學(xué) 2019
[2]基于特征工程的用戶購(gòu)買預(yù)測(cè)模型研究[D]. 吳非.長(zhǎng)安大學(xué) 2019
[3]基于特征工程的MOOC學(xué)習(xí)者行為分析和輟課預(yù)測(cè)[D]. 李若晨.華東師范大學(xué) 2019
[4]基于隨機(jī)森林與GBDT的社會(huì)醫(yī)療保險(xiǎn)欺詐識(shí)別問題研究[D]. 裴晨.東北財(cái)經(jīng)大學(xué) 2018
[5]MOOC學(xué)習(xí)行為挖掘和輟學(xué)預(yù)測(cè)方法研究[D]. 陳立德.西北農(nóng)林科技大學(xué) 2018
[6]MOOC用戶流失率的統(tǒng)計(jì)建模和預(yù)測(cè)技術(shù)的研究[D]. 劉文彥.北京郵電大學(xué) 2016



本文編號(hào)：3119842