48、研究生录取预测模型对比分析与智能门控系统应对疫情

研究生录取预测模型对比分析与智能门控系统应对疫情

1. 研究生录取预测模型研究背景与意义

随着全球学术机构数量的增加，有志于攻读研究生的学生在筛选申请的大学时面临着繁琐的任务。申请大学涉及诸多关键因素，其中费用是重要的一项。若学生的申请被拒，不仅会浪费时间和金钱，还会打击学生的积极性。因此，利用机器学习和深度学习技术，基于GRE分数、TOEFL分数、本科大学排名、个人陈述（SOP）、推荐信（LOR）、平均绩点（CGPA）和研究经验等因素，预测学生申请的接受或拒绝可能性具有重要意义。

2. 相关工作回顾

此前，许多研究者在不同领域应用机器学习进行了相关研究：
- Mohan S. Acharya等使用线性回归、决策树、随机森林和支持向量回归等多种回归模型。
- D. A. Chithra Apporva等采用线性回归、K近邻、随机森林和岭回归等模型，其中线性回归表现良好。
- P. Janani等使用决策树算法预测学生在特定大学的录取可能性。

3. 研究方法

3.1 数据收集与理解

使用Kaggle上的录取数据集，包含以下属性：
| 总记录数 | 属性 | 属性类型 |
| ---- | ---- | ---- |
| 501 | 7 | 简单属性 |
| 501 | 1 | 派生属性 |

具体属性有GRE分数、TOEFL分数、大学评级、SOP、LOR、CGPA、研究经历和录取机会。

3.2 数据预处理

对所有指定属性进行预处理，使用最小 - 最大缩放器对属性进行缩放，以避免模型