[1]吴玉凤,冯军,钱亚冠,等.基于宽度学习算法的加权集成成绩预测模型[J].浙江科技学院学报,2021,(05):362-368.
WU Yufeng,FENG Jun,QIAN Yaguan,et al. Weighted ensemble achievement prediction model based on broad learning algorithm[J].,2021,(05):362-368.
点击复制
基于宽度学习算法的加权集成成绩预测模型(/HTML)
《浙江科技学院学报》[ISSN:1001-3733/CN:61-1062/R]
- 卷:
-
- 期数:
-
2021年05期
- 页码:
-
362-368
- 栏目:
-
- 出版日期:
-
2021-10-31
文章信息/Info
- Title:
-
Weighted ensemble achievement prediction model based on broad learning algorithm
- 文章编号:
-
1671-8798(2021)05-0362-07
- 作者:
-
吴玉凤; 冯军; 钱亚冠; 金帆
-
浙江科技学院 理学院,杭州 310023
- Author(s):
-
WU Yufeng; FENG Jun; QIAN Yaguan; JIN Fan
-
School of Sciences, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China
-
- 关键词:
-
教育数据挖掘
; 宽度学习算法; 加权集成; 成绩预测
- 分类号:
-
TP312.8;G424.7
- 文献标志码:
-
A
- 摘要:
-
教育数据挖掘技术是当前研究的热点之一。针对学生成绩预测准确率较低的问题,提出以宽度学习(broad learning,BL)算法为个体学习器的加权集成学习算法。首先,使用宽度学习算法来预测学生成绩,由于单个分类器的性能不够稳定,对数据变化比较敏感,故试验采用加权集成方法对宽度学习算法进行改进;然后,将其与采用加权集成的决策树(decision tree,DT)算法和多层感知机神经网络(multilayer perceptron neural networks,MLP)算法的结果进行对比。结果表明,基于宽度学习算法作为个体学习器的加权集成算法能够进一步提高模型的预测效果,预测准确率在比较的几种算法中最高,达到了91.6%,这有效地提高了成绩预测的准确率。研究结果可为学生成绩预测提供方法参考。
更新日期/Last Update: