基于SVM的高校考研预测模型研究

选择适合的特征子集和预测算法用于考研结果或考研成绩预测,在机器学习领域中受到研究者的青睐。影响报考决策和考研结果的因素很多,虽然采用小样本或者范围较大的特征子集,可以获得精度较高的预测结果,但较难保证预测模型的实用性和泛化能力。论文提出一种基于SVM的高校考研预测模型,该模型面向高校所有理工科本科生,以高考成绩和在校原始成绩作为特征子集,并构造三种样本集,分别采用内积核函数、径向基核函数和多项式核函数训练SVM模型。通过与Logistics算法、kNN算法进行训练建模对比测试后,发现本文的预测模型在考研报考决策场景下,具有较高的适应能力和稳定性,对学校鼓励考研和学生制定考研决策具有较高的实用性。

基于KNN算法对在校生考研预测模型的应用研究

运用K最近邻分类算法建立在校生考研预测模型,便于对在校生进行考前预判。为了提高预测的准确率,对传统K最近邻分类算法进行了改进,对样本的各特征属性赋予了不同权重,通过传统和加权两种K最近邻分类算法的不同使用,验证了改进加权KNN算法的实践效果。

基于数据挖掘的高校学生考研成绩预测分析

随着硕士研究生考试初试难度越来越大,影响考研结果的因素众多,以安徽建筑大学建筑类设计专业高校学生为研究对象,以本科毕业生的在校成绩和考研初试成绩作为样本数据,通过Logistic回归分类算法、SVM支持向量机算法、KNN算法三种实验建模测试对比,寻找对应变化规律,提高考研初试成绩变量之间的关联性,从而得出预测结果,从平均预测误差看,Logistic回归分类算法的预测方法具有较高的适应力和稳定性,准确性更适合初试无高数科目的建筑类设计专业高校学生。得出要特别注重加强对专业课、课程设计的学习,同时对政治和英语注意学习态度的结论。为帮助其预测学业发展趋势、制定职业生涯规划上提供数据支撑。