基于機器學習的算法設計研究

林泓斌 李佳蓮

（廣州大學數學與信息科學學院，廣東 廣州 511400）

引言

機器學習算法作為AI領域的重要分支，將其應用于智能系統中能夠有效提升經驗學習過程中的算法性能，為機器執行各項任務、輔助決策制定等功能實現提供支持。成績評估預測是衡量學生學習效果與自我效能感的重要尺度，通過運用算法建立預測模型，能夠為學習者考試成績預測及決策制定提供重要支持。

一、典型機器學習算法

1.線性判別分析

線性回歸算法主要適用于針對連續變量進行建模，對其變化結果進行預測。線性回歸作為一種基礎回歸形式，通常借助直線擬合數據集，依托變量間的線性關系保障提高成功率，在數據分析和預處理上呈現出良好性能優勢，可實現對學習數據的簡化。作為線性回歸算法中的重要分支，線性判別分析算法常應用于數據降維，再將多種數據分類后提煉出其中不同類數據的差異，增強不同類對象或事件間的分離性，在考試成績預測、產品銷售業績評估等方面具備較強適用性[1]。

2.支持向量機

該算法常被應用于處理回歸、分類等問題，通過尋找分類超平面作為決策邊界，將位于同一組內的不同類對象分離，能夠在訓練數據集中篩選出正確的類別對象[2]。設樣本集為{(x,y)|x∈Rn,yi=±1,i=1,2,...,l}，將分類超平面的法向量設為ω、截距為b、松弛變量為ζi、懲罰系數為C，則可將分類超平面定義為：

在運用該算法建立學習模型時，首要前提是定義最優分類面，引入軟間隔或核函數實現對線性不可分及非線性問題的解決，在文本分類、面部識別等領域具備良好應用價值。

二、基于線性判別分析與支持向量機的考試成績預測算法設計

1.算法原理

選取某學校畢業生的期中、期末課程考試成績與升學考試成績作為數據集，從中篩選出主要課程作為特征向量，基于隨機森林進行重要性等級的排序，將其中非重要課程成績剔除，實現學習模型訓練特征維度的精簡化處理。隨后運用線性判別分析方法進行數據降維，以選定的直線為基準對訓練集進行重復投影，劃分出投影點的類別，并根據投影點所處的具體位置進行類別判斷，可最大限度增加類間差異、縮小類內差異。接下來運用支持向量機建立考試成績預測模型，為最終預測結果精度提供保障。

2.模型建立

將線性判別分析與支持向量機兩種算法進行組合使用，分別利用兩種算法在降維和分類上體現出的優勢性能，提升考試成績預測結果的精確性。在算法流程設計上，首先運用線性判別分析方法進行數據預處理，在此過程中將數據集導入系統中，完成訓練集、測試集的劃分，將其中的數據集進行標準化處理，并實行特征降維；隨后建立支持向量機模型，待完成訓練后進行樣本測試，針對整體組合算法的實際應用性能進行評估。

3.實驗結果分析

運用線性判別分析方法進行數據降維處理，判斷各維度對于后續采用支持向量機算法獲取到分類結果的影響，用于衡量在預測結果精確度最高時的降維維度。從中可以觀察到，當降維維度為2時，支持向量機的分類準確度達到最優水平。

運用核函數進行非線性問題的處理，首先，采用徑向基核函數，已知真實標簽的第1—10個預測結果表示為[0000010011]，預測第1—10個結果表示為[0000000000]，在采用支持向量機進行畢業生升學考試結果預測后，可知0、1對應的precision值為0.77和0；avg/total值為0.59；recall值分別為1.0和0；avg/total值為0.77；fl-score值分別為0.87和0，avg/total值為0.67；support值分別為50和15；avg/total值為65。

其次，采用Linear Kernel線性核函數，已知真實標簽的第1—10個預測結果，預測前10個結果表示為[0000000001]，基于支持向量機算法進行學生升學成績的預測，可知0、1對應的precision值為0.82和0.5，avg/total值為0.74；recall值分別為0.9和0.33，avg/total值為0.77；fl-score值分別為0.86和0.4，avg/total值為0.75；support值分別為50和15，avg/total值為65。

再次，采用多項式核函數，已知真實標簽的第1—10個預測結果表示不變，則預測出的前10個結果表示為[0000000011]，運用支持向量機算法進行升學成績預測，可知0、1對應的precision值為0.84和0.45，avg/total值為0.76；recall值分別為0.79和0.54，avg/total值為0.74；fl-score值分別為0.83和0.47，avg/total值為0.75；support值分別為50和15，avg/total值為65。

最后，將上面三種核函數的分類報告結果進行比較，可以看出，采用Linear Kernel線性核函數和多項式核函數測得的F值高于徑向基核函數，其中多項式核函數的預測結果精度相對更高，因此，宜選用多項式核函數建立支持向量機模型，為最終算法預測結果的精確度提供保障。

結語

機器學習算法在執行任務的過程中不斷積累學習經驗、改善應用性能，根據獲取到的數據結果做出科學決策，最終保證任務的順利完成。通過將兩種典型算法應用于考試成績預測模型設計中，可有效將學習者成績匯總并對其順利通過考試的可能性做出科學評判，保證預測結果的準確性，具備良好實用價值。