基于降采样的堆模型预测大型规模网络课程的学习结果

发布时间：2023-02-19 17:55

　　大型开放式网络课程MOOC(Massive open online courses)中预测学习者的学习结果会遇到数据分布不平衡问题,为了克服这个问题提出一种结合降采样的堆模型的机器学习算法。该模型弥补了降采样算法的不足,使用堆模型作为框架避免了采样时重要训练样本的丢失。在特征提取时,因为混合多门课程建模,为了防止不同数据分布之间的干扰,借鉴推荐系统的物品相似度引入课程相似度特征有效地传递了数据之间的信息。通过筛选基础模型建立了堆模型(融合模型),在一个大样本的MOOC数据集上进行实验对比,研究表明该模型抗干扰能力强、具有良好的预测效果。

【文章页数】：7 页

【文章目录】：
0引言
1相关工作
2数据
    2.1数据集的介绍
    2.2数据的处理
3模型的建立
    3.1问题的描述
    3.2基础模型
    3.3降采样的堆模型
    3.4特征的选择
    3.5评价指标
4实验结果与分析
    4.1实验的设置
    4.2基础模型的比较
    4.3课程相似度效果的分析
    4.4堆模型的比较
5结语



本文编号：3746689