基于改进的TrAdaboost算法的学生成绩排名预测

doi:10.3969/j.issn.1006-2475.2016.02.027

计算机与现代化 ›› 2016, Vol. 0 ›› Issue (2): 122-126.doi: 10.3969/j.issn.1006-2475.2016.02.027

• 应用与开发 • 上一篇

基于改进的TrAdaboost算法的学生成绩排名预测

1.南京航空航天大学，江苏南京210016；2.电子科技大学，四川成都611731

收稿日期:2015-09-24 出版日期:2016-03-02 发布日期:2016-03-03
作者简介:谢星宇（1993-），男，江苏扬州人，南京航空航天大学本科生，研究方向：基于学习的三维模型分析；张颖璐，女，江苏扬州人，电子科技大学本科生，研究方向：数据挖掘。

Predicting Student Grades Ranking Based on Improved TrAdaboost Algorithm

1. Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China；

2. University of Electronic Science and Technology of China, Chengdu 611731, China

Received:2015-09-24 Online:2016-03-02 Published:2016-03-03

摘要/Abstract

摘要：

提出一种基于改进的TrAdaboost算法进行学生成绩排名的预测，在一定程度上解决了不同分布数据的预测问题。实验结果表明了该算法的可行性和准确性，同时也给高校学生管理和教务人

员的工作都带来了便利。

关键词: 机器学习, 迁移学习, 学生成绩, 排名, 预测

Abstract:

This paper provides an improved TrAdaboost algorithm, and uses the algorithm to predict the rank of students who come from different departments. This algorithm

can overcome the influence of different data distribution bringing, the experiments confirm its flexibility and accuracy. It makes some significance to bring convenience to the

management of the university.

Key words: machine learning, transfer learning, student grades, rank, predict

谢星宇1,张颖璐2. 基于改进的TrAdaboost算法的学生成绩排名预测[J]. 计算机与现代化, 2016, 0(2): 122-126.

XIE Xing-yu1, ZHANG Ying-lu2. Predicting Student Grades Ranking Based on Improved TrAdaboost Algorithm[J]. Computer and Modernization, 2016, 0(2): 122-126.

［1］路爽. 基于行为聚类的综合校情分析系统研究［D］. 开封：河南大学, 2014.
［2］张倩. 基于知识表达的迁移学习研究［D］. 徐州：中国矿业大学, 2013.
［3］陈莉. KDD中的几个关键问题研究［D］. 西安：西安电子科技大学, 2003.
［4］徐剑. 基于一卡通数据的消费行为与成绩的关联性研究分析［D］. 南昌：南昌大学, 2010.
［5］ Borgelt C, Kruse R. Induction of association rules: Apriori implementation［M］// Compstat. Physica-Verlag HD, 2002:395-400.
［6］武彤,王秀坤. 决策树算法在学生成绩预测分析中的应用［J］. 微计算机信息, 2010,26(3):209-211.
［7］唐华松,姚辉文. 数据挖掘中决策树算法的探讨［J］. 计算机应用研究, 2001,18(8):18-19.
［8］张兴科,王浩. 通过数据挖掘技术预测学生学习成绩［J］. 科技信息, 2007(22):43-43.
［9］刘宇阳. 数据挖掘技术在高校学生成绩分析中的应用［J］. 交通科技与经济, 2008,10(3):65-67.
［10］张文修,吴伟志,梁吉业,等. 粗糙集理论与方法［M］. 北京：科学出版社, 2001.
［11］韩祯祥,张琦. 粗糙集理论及其应用综述［J］. 控制理论与应用, 1999,16(2):153-157.
［12］Dai Wenyuan, Yang Qiang, Xue Guirong, et al. Boosting for transfer learning［C］// Proceedings of the 24th International Conference on Machine Learning. 2007:193-200.
［13］许至杰. 迁移学习理论与算法研究［D］. 上海：华东师范大学, 2012.
［14］戴文渊. 基于实例和特征的迁移学习算法研究［D］. 上海:上海交通大学, 2008.
［15］Chang Chih-chung, Lin Chih-jen. LIBSVM: A library for support vector machines［J］. ACM Transactions on Intelligent Systems and Technology, 2007,2(3):27.
［16］ Meyer D. Support vector machines: The interface to LIBSVM in package e1071［EB/OL］. https://cran.r-project.org/web/packages/e1071/vignettes/sumdol.pdf, 2015-08-28. 
［17］Zar J H. Significance testing of the Spearman rank correlation coefficient［J］. Journal of the American Statistical Association, 1972,67(339):578-580.

[1]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[2]	王海洋, 弓同鑫, 杨锦涛, 陈再龙. 多尺度时间编码的工业园区短期负荷预测[J]. 计算机与现代化, 2024, 0(12): 59-65.
[3]	邬秀玲1, 周盛1, 王春娟1, 余萃卓2, 刘昊3. 超短时电力负荷预测技术研究进展[J]. 计算机与现代化, 2024, 0(12): 108-115.
[4]	李桃迎, 李蒙, 武梦乔. 基于异构时空图卷积网络的出租车客流预测[J]. 计算机与现代化, 2024, 0(11): 13-18.
[5]	张泰1, 闫子豪2, 段洁2, 张志鸿2. 基于命名数据网络的车联网信息转发策略[J]. 计算机与现代化, 2024, 0(11): 19-27.
[6]	袁庆乐, 牟莉. 基于改进Elman神经网络的预测方法[J]. 计算机与现代化, 2024, 0(11): 28-33.
[7]	李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.
[8]	张惠楠1, 张强1, 孙红霞2. 基于改进时序胶囊网络的油藏生产动态分析模型[J]. 计算机与现代化, 2024, 0(09): 15-19.
[9]	李进1, 魏艳龙1, 薛红新2, 梁海坚2. 基于LSTM-SIR-EAKF的流感样病例预测[J]. 计算机与现代化, 2024, 0(09): 38-44.
[10]	王梦溪, 李峻. 老年人跌倒检测技术研究综述[J]. 计算机与现代化, 2024, 0(08): 30-36.
[11]	马永, 王俊, 张子健, 赵煜阳, 张靖, 周明. 面向智慧运维系统的改进YOLOv8行为检测算法[J]. 计算机与现代化, 2024, 0(08): 43-48.
[12]	杨江1, 孙晓梅1, 许韬2. 基于业务内容构建股票关联关系的股价预测[J]. 计算机与现代化, 2024, 0(07): 21-25.
[13]	曹宁1, 严心娥1, 徐根祺2, 许又文1, 张正勃2, 杜倩云2. 基于DEFA-LSSAR的水利工程边坡力学参数预测模型[J]. 计算机与现代化, 2024, 0(07): 106-111.
[14]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[15]	胡美辰1, 2, 刘敦龙1, 2, 桑学佳1, 2, 张少杰3, 陈乔4. 面向摄像头视频监控的泥石流发生场景智能识别方法[J]. 计算机与现代化, 2024, 0(03): 41-46.

基于改进的TrAdaboost算法的学生成绩排名预测

Predicting Student Grades Ranking Based on Improved TrAdaboost Algorithm

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价