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

• 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, doi: 10.3969/j.issn.1006-2475.2016.02.027.

XIE Xing-yu1, ZHANG Ying-lu2. Predicting Student Grades Ranking Based on Improved TrAdaboost Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.02.027.

［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]	李亚平, 王军防, 余红梅, 窦一民, 肖媛, 田继林. Regformer：基于稀疏注意力的输油管道水力压降预测方法[J]. 计算机与现代化, 2024, 0(01): 59-66.
[2]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[3]	苏欣. 数据驱动的焊膏印刷工艺参数推荐技术[J]. 计算机与现代化, 2024, 0(01): 99-102.
[4]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[5]	刘静乐, 罗翔, 宫成荣, 张国鹏. 基于RF-RFECV和LightGBM算法的糖尿病预测[J]. 计算机与现代化, 2023, 0(11): 36-43.
[6]	冯欣欣, 卜磊, 章晓余, 史玉峰. 基于ICEEMDAN-LSTM的地铁盾构隧道管片形变数据分析预测[J]. 计算机与现代化, 2023, 0(11): 57-61.
[7]	贾潇瑶, . 融合CatBoost和SHAP的乳腺癌预测及特征分析[J]. 计算机与现代化, 2023, 0(10): 32-38.
[8]	冀心成, 汪衍凯, 张迎, 许彦杰. 贝叶斯优化梯度提升树的室内日光照度分布预测[J]. 计算机与现代化, 2023, 0(09): 44-50.
[9]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[10]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[11]	邵必林, 程婉荣. 基于SARIMA模型的短期天然气负荷区间预测[J]. 计算机与现代化, 2023, 0(08): 54-59.
[12]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[13]	李世佳, 侯丽娟, 汤斌, 杨柳, 刘恒, . 基于ICEEMDAN-BiLSTM-ARIMA组合模型的桥梁健康监测数据预测模型#br#[J]. 计算机与现代化, 2023, 0(07): 36-42.
[14]	吴乐, 陈刚, 李竹. 基于Logistic-GF-SEIR模型的新型传染病疫情趋势预测[J]. 计算机与现代化, 2023, 0(05): 20-25.
[15]	苏金库, 桂智明. 基于时空特征的短时出租车流量预测[J]. 计算机与现代化, 2023, 0(05): 32-38.

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