基于SVM的高校錄取分數預測模型

李誠，張宏烈，王崇

（齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

基于SVM的高校錄取分數預測模型

李誠，張宏烈，王崇

（齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

由于隨機性大，影響因素多，導致高校錄取分數預測困難，準確度不高，相關研究較少.針對這種情況，嘗試基于支持向量機（SVM）理論，結合我國高考錄取模式，建立SVM模型對高校錄取分數進行初步預測.通過對預測結果的定量分析，證明預測效果較理想，預測的平均絕對誤差為7.6分，同時驗證了SVM預測模型在高校錄取分數預測中的可行性.

支持向量機；定量分析；預測模型

高考是進入理想大學學習的必經途徑，也是歷年來社會關注的一個焦點.通常，考生填報志愿的時候大多都是依靠老師或者家長的經驗和自己的理解.但是僅憑人為的經驗去解決考生的志愿填報是非常不準確的，一方面是老師和家長掌握的資源十分有限，分析不可能十分全面；另一方面老師和家長對歷史錄取情況的理解主觀因素會比較多.因此，如何找到適合于自己分數的高校是一個難點問題.

高校錄取分數的劃定受招生政策、招生規模、報考人數、考生素質、歷年線差和學校知名度等許多因素共同影響，隨機性較大.目前，相關研究分3類：考生高考成績預測[1]165，高校招生情況預測[2-3]及高考志愿決策支持系統[4-5].使用的相關技術為神經網絡[1]164、灰色模型[3]48-49、決策樹[6-7]和支持向量機[8-9]等，而對某一所高校或者一些高校的錄取分數預測的研究非常少.本文嘗試基于SVM理論，結合我國高考錄取模式，建立SVM模型來對高校錄取分數進行初步預測，同時要驗證SVM預測模型在高校錄取分數預測中的可行性.

1 支持向量機

支持向量機（support vector machines，SVM）是Vapnik等設計的一種機器學習算法，其基本思想是依據統計學習理論，利用核函數將輸入樣本空間映射到高維特征空間，在這個高維空間中求得一個最優分類面，得到輸入與輸出變量間的非線性關系[10].支持向量機是一個凸二次優化問題，得到的解是全局最優解，它適合解決小樣本、非線性和高維模式識別等方面的問題，并能夠推廣應用到函數擬合等其它機器學習問題中.

在支持向量機（非線性）算法中，設給定訓練樣本為

存在一個分類面即超平面，其方程為

根據式（5）得到非線性分類問題的判別函數為

根據式（6）就可以判斷x所屬的類別了，也就是預測x的值.

2 高校錄取分數預測

2.1 預測建模

高校錄取分數預測的訓練集中可能會出現“野點子”，就是偏遠點，可能會對最終的分類超平面產生嚴重的影響，所以在SVM模型中加入一個松弛變量，將約束放寬.預測的結果不能保證是線性分類，所以模型使用非線性SVM，使用核函數將變量映射到高維空間，這樣的核函數必須滿足Mercer條件，所以本研究中的核函數選擇高斯核

其中：核參數g的值與式（4）中懲罰參數C的值，都是先驗值，或說實驗值.就是說，在實驗中，反復修改這2個參數值，選擇效果好的值.本模型多次實驗后選擇

2.2 數據樣本

黑龍江省2013年實行平行志愿，本仿真實驗以2013—2016年隨機選取的10所高校在黑龍江省招收一本理科生的最低分數為樣本數據（見表1），其中，2013—2015年數據為訓練樣本，2016年數據為測試樣本.

表1 數據樣本

2.3 預測結果分析

2013—2015年數據被用來訓練已建立的模型（由于數據樣本過少，預測相對誤差大，另加2013—2016年省控線訓練數據），預測2016年這10所高校的最低錄取分數.然后預測分數與2016年的真實數據進行對比檢驗，計算相對分數差（真實分數-預測分數）.最后采用平均絕對誤差（MAE）對本文預測模型效果進行評價.預測仿真實驗使用安裝了Libsvm-3.21工具包的MATLAB R2010b軟件完成.

預測結果見表2.

表2 預測結果

使用MAE對預測效果評價

由表2可知，只是在少數預測點的相對預測誤差較大，大部分預測點的相對預測分數差都較為理想，且MAE僅為7.6分，這個預測結果比較理想，從而驗證了支持向量機在高校錄取分數預測中的可行性.

3 結論

支持向量機最大優勢是能夠運用于小樣本條件下的機器學習.本文選用各高校歷年錄取最低分數線數據，基于支持向量機理論，來建立高校錄取分數預測模型對下一年高校錄取分數最低線進行預測.通過對預測結果的定量分析，證明預測效果較理想，同時驗證了SVM預測模型在高校錄取分數預測中的可行性.完善模型、預測結果定性分析及提高預測精度將是本文后續研究的一個方向.后續研究的另一個方向為高校專業錄取分數的預測，大部分考生更看重高校熱點專業錄取分數，這與社會因素密不可分，具有更大的實用價值.

[1]武劍平.基于BP人工神經網絡的學生高考成績預測[J].科技傳播，2015（20）：164-165

[2]于繼江.一種改進離散灰色模型及其高校招生人數預測建模[J].高師理科學刊，2010，30（2）：46-49

[3]郭海如，萬興，吳朋飛.基于灰色理論的高校招生人數預測[J].湖北工程學院學報，2013，33（6）：48-51

[4]徐剛強，林燕.基于數據挖掘的招考志愿填報輔助決策支持系統[J].計算技術與自動化，2014，33（4）：106-109

[5]鐵鑫.基于數據挖掘技術的高職學院招生決策支持系統研究[J].信息與電腦：理論版，2010（6）：137-138

[6]苗煜飛，張霄宏.決策樹C4.5算法的優化與應用[J].計算機工程與應用，2015，51（13）：255-258

[7]代昆玉，胡濱.決策樹算法在高考志愿填報中的應用[J].貴州大學學報：自然版，2009，26（2）：71-73

[8]程雙江，李世平，鄔肖敏，等.基于改進混合核 SVM的非線性組合預測[J].計量技術，2015（10）：3-7

[9]李建萍.基于加權支持向量機的學習成績預測模型[J].中國科教創新導刊，2009（14）：137-138

[10]丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，40（1）：2-10

Prediction model for college admission score based on SVM

LI Cheng，ZHANG Hong-lie，WANG Chong

（School of Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

The college admission score prediction is with the high difficulty，the low accuracy and the less related research，because of its high randomicity and multiple influencing factors.Aiming at the situation，based on the support vector machine（SVM）theory，the prediction model for college admission score is constructed to carry out the preliminary prediction，which is combined with the admission mode of Chinese college entrance examination in the paper.By the quantitative analysis of the prediction results，the ideal prediction effect is achieved，the mean absolute prediction error is 7.6，and the feasibility of the SVM prediction model is verified for college admission score prediction.

support vector machine（SVM）；quantitative analysis；prediction model

TP274

A

10.3969/j.issn.1007-9831.2016.12.005

2016-10-15

齊齊哈爾市科技局工業攻關計劃項目（GYGG-201408）

李誠（1978-），男，黑龍江齊齊哈爾人，副教授，從事嵌入式系統和人工智能等研究.E-mail：lcrb406@163.com

1007-9831（2016）12-0022-03