SVR回归在成绩预测预警中的应用研究

在高校建设智慧校园趋势下,学业预警重要性逐渐增高。在学业预警中实现学生的成绩预测,能够为学生和教师提供可靠、先验的学习指引和决策依据。文章依据课程间的相关性,采用SVR(支持向量回归)进行成绩预测,并在预测基础上实现学业预警。同时对预测预警的学生进行问卷调研,对学生反馈意见进行文本分析。结果表明,考前的学业预测预警能够提高学生学习的积极性并对学习目标具有指引作用,能为教师教学提供参考依据。

基于学生成绩回归预测的多模型适用性对比研究

学生成绩预测是教育数据挖掘在教学实践中的一大重点,相比分类成绩预测的单一结果,回归成绩预测更能深化预测在教学实践中的意义。文章基于H2O框架下广义线性模型(GLM)、深度学习(DL)、梯度提升树(GBT)以及支持向量机(SVM)四种主流模型进行回归预测比较研究。从模型预测精度、预测结果对比、预测误差分析三个角度分析4种模型,在不同课程、不同课程属性下的适用性。结果表明,DL模型适用于专业课程,SVM模型适用于公共课程,回归模型的成绩预测受到离群数据影响较大,各模型对离群数据解释能力较弱。

基于FP-growth算法的课程关联性分析

随着大数据技术的不断发展,高校学生的成绩数据也随之增长,而如何利用高校课程成绩数据挖掘出有用的信息是高校面临的一个重大挑战。本文利用数据挖掘中的FP-growth算法,根据学生课程成绩找出课程间的关联规则,通过课程间的关联关系,不仅可以指导学生完成学业,还可以助力课程安排的先后顺序,进一步为高校教务管理人员开设课程提供合理的依据,使教务管理人员能够依据课程间的关联关系,结合实际情况,对课程进行合理调整并对学生进行重点培养与帮扶,学生也可根据课程间的关联关系,预测出可能存在问题的课程,进而采取补救措施,使学生顺利完成学业。