改进的K-近邻算法及其在学习预警中的应用

发布时间：2020-12-12 21:18

　　随着大数据在教育中的作用日益凸显,大量的数据被应用到教学研究、教学评估和行为预测.学生的成绩、行为记录、与老师的互动记录等教育数据,都已经开始发挥价值.为了解决课程的低通过率问题,将改进的K-近邻算法应用到学习预警中,首先利用网格搜索和交叉验证相结合的方法对模型参数进行优选,其次在构建决策树过程中,利用基尼增益确定特征的权重系数并且根据权重系数进行特征选择,在计算距离时引入权重系数,使每个特征收到权重系数的约束.实验表明,在一个公开的数据集和一个真实的数据集上,改进后的K-近邻算法显著优于传统的K-NN. 

【文章来源】：河北大学学报(自然科学版). 2020年02期 北大核心

【文章页数】：7 页

【部分图文】：

网格参数优化过程

【参考文献】：
期刊论文
[1]基于改进KNN算法的城轨进站客流实时预测[J]. 郇宁,谢俏,叶红霞,姚恩建.  交通运输系统工程与信息. 2018(05)
[2]基于考试过程和知识结构的数据挖掘算法研究[J]. 代明竹,高嵩峰.  计算机科学. 2018(S1)
[3]基于频繁模式谱聚类的课程关联分类模型和学生成绩预测算法研究[J]. 何楚,宋健,卓桐.  计算机应用研究. 2015(10)
[4]基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用[J]. 纪昌明,周婷,向腾飞,黄海涛.  电力自动化设备. 2014(03)
[5]贝叶斯网络在学生成绩预测中的应用[J]. 黄建明.  计算机科学. 2012(S3)



本文编号：2913290