一种分层SMOTE交叉验证法--应对数据泄露与样本不平衡

在处理不平衡数据时,即使训练集和测试集之间互不重叠,过采样技术仍然可能导致数据泄露。为了解决这一问题,提出了一种分层SMOTE交叉验证法(stratified SMOTE cross-validation),将训练集中各类别样本均匀地划分为K折,在每一折中,独立地使用SMOTE算法进行数据平衡,使得每一折内的少数类样本特征仅在该折内使用。这样做不仅确保了训练与验证数据之间的完全独立,规避了数据泄露的风险,而且分类器能够充分学习少数类样本的特征。此外,结合了集成学习和参数优化技术,以增强模型的分类和泛化能力。在UCI数据集上的实验结果显示,分层SMOTE交叉验证法在分类性能上并不逊色于现有方法,并且不同的K值导致的数据分布差异会对模型性能产生影响。该方法有效地提升了模型对不平衡数据的处理能力,为不平衡学习问题提供了一定的参考价值。

基于灰色关联分析法的第一课堂与第二课堂协同育人现状研究——以福建省M高校为例

第一课堂与第二课堂协同育人对学生综合素质提升起着关键作用。本文以福建省M高校为例,运用灰色关联分析法对不同成绩区间、不学生年两个课堂协同育人现状进行研究,结果显示两个课堂协同育人作用并未得到充分发挥,且在不同年级及不同成绩区间两个课堂协同育人效果不同。基于此,本文从强化牵引、善用资源两方面提出政策建议,以期为两个课堂协同育人体系优化提供思路。

基于灰色关联分析法的第一课堂与第二课堂协同育人机制研究

培养全面发展的高素质人才是高等教育的重要目标,由第一课堂与第二课堂构成的协同育人系统是实现这一目标的关键途径。以两个课堂的协同育人机制为研究对象,通过灰色关联分析法对两个课堂的协同育人情况进行实证研究,结果表明,两个课堂有较强的关联性,但协同育人效果并未得到有效发挥。造成该结果的原因主要有三方面:两个课堂育人内容协同不足、育人方式协同不足、育人成效考评不足。基于此,文章提出了加强顶层设计、搭建协同育人平台、完善考评机制三点政策建议,以期能为两个课堂的协同育人机制构建提供参考。