基于大數(shù)據(jù)的大學(xué)生精準(zhǔn)資助貧困等級研究
【學(xué)位單位】:東北師范大學(xué)
【學(xué)位級別】:碩士
【學(xué)位年份】:2018
【中圖分類】:G647;TP311.13
【部分圖文】:
2.3 Boosting 系列算法2.3.1 Boosting 算法原理Boosting 算法的原理是先對一個弱分類器賦予初始權(quán)重,然后弱分類器進行訓(xùn)練,通過對弱分類器的學(xué)習(xí)誤差來調(diào)整樣本權(quán)重,將學(xué)習(xí)誤差率高的樣本賦予高的權(quán)重,把誤差率高的特征屬性在后面的弱分類器中賦予高的權(quán)重。調(diào)整特征屬性權(quán)重后的訓(xùn)練集來訓(xùn)練弱分類器,通過對錯誤樣本不斷的訓(xùn)練,最后得到多個弱學(xué)習(xí)器,并終將得到的多個弱學(xué)習(xí)器通過集成策略進行整合,得到最終的強學(xué)習(xí)器。原理視圖如下:
圖 2.2看到三個大小不正確預(yù)測+(加)是第二決策殘差(D2)將嘗試正確2)已經(jīng)正確地分類了三個錯誤分-(減)。再次,我們將分配更高圖 2.3)被賦予更高的權(quán)重。應(yīng)用決策。這一次產(chǎn)生水平線來分類+(加
框3:這里,三-(減)被賦予更高的權(quán)重
【參考文獻】
相關(guān)期刊論文 前10條
1 王紅;駱劍峰;;大數(shù)據(jù)時代高校貧困生評定管理方法初探[J];高教學(xué)刊;2015年19期
2 張亮;寧芊;;CART決策樹的兩種改進及應(yīng)用[J];計算機工程與設(shè)計;2015年05期
3 紀(jì)杰;;大數(shù)據(jù)背景下高校學(xué)生資助工作策略[J];學(xué)園;2014年36期
4 胡磊;;基于三角白化權(quán)函數(shù)灰色評估在高校貧困生認定中的應(yīng)用[J];數(shù)學(xué)的實踐與認識;2013年16期
5 劉朝武;;國外高校貧困生社會資助的現(xiàn)狀及啟示[J];煤炭高等教育;2013年01期
6 陶雙紅;常炳國;;一種改進的C4.5算法及在貧困生認定中的應(yīng)用[J];計算機光盤軟件與應(yīng)用;2013年02期
7 馬偉杰;;C4.5決策樹法在高校貧困生認定中的應(yīng)用[J];河南教育學(xué)院學(xué)報(自然科學(xué)版);2012年03期
8 李瑞;程亞楠;;一種改進的C4.5算法[J];科學(xué)技術(shù)與工程;2010年27期
9 鐘一彪;肖東亮;謝澤鋼;;對高校貧困生界定指標(biāo)及其資助體系的討論——基于廣東高校的調(diào)查[J];青年探索;2008年03期
10 馬銳;;應(yīng)用模糊聚類分析劃分貧困生的貧困家庭類型[J];云南財經(jīng)大學(xué)學(xué)報;2006年03期
相關(guān)博士學(xué)位論文 前1條
1 郭昕;我國普通高校貧困生資助問題研究[D];華中師范大學(xué);2013年
相關(guān)碩士學(xué)位論文 前8條
1 李成飛;大數(shù)據(jù)背景下高校貧困生資助工作精準(zhǔn)化研究[D];南京郵電大學(xué);2017年
2 戴海輝;基于Hadoop的校園卡數(shù)據(jù)挖掘的研究與實現(xiàn)[D];南昌航空大學(xué);2017年
3 牛志華;基于Spark分布式平臺的隨機森林分類算法研究[D];中國民航大學(xué);2017年
4 陳子之;基于GBDT的地方政府債務(wù)風(fēng)險評級和預(yù)警研究[D];上海師范大學(xué);2017年
5 張建明;基于數(shù)據(jù)挖掘的高校貧困生認定系統(tǒng)設(shè)計和分析[D];東南大學(xué);2015年
6 王雪飛;數(shù)據(jù)挖掘在高校貧困生校園卡流水?dāng)?shù)據(jù)中的應(yīng)用研究[D];東北師范大學(xué);2014年
7 陳建兵;利用校園一卡通數(shù)據(jù)優(yōu)化高校貧困生認定系統(tǒng)[D];電子科技大學(xué);2012年
8 饒亮;改進的Apriori算法在貧困生助學(xué)系統(tǒng)中的應(yīng)用[D];哈爾濱工程大學(xué);2011年
本文編號:2865693
本文鏈接:http://www.lk138.cn/jiaoyulunwen/gaodengjiaoyulunwen/2865693.html