13、支持向量机核函数在学生教育数据集上的性能评估

支持向量机核函数在学生教育数据集上的性能评估

1. 引言

数据挖掘应用于学术领域，为学生学习的发展带来了创新的方法、技术和工具。如今的学术机构面临着诸多挑战，如评估与比较学生、确保优质教育、衡量学生进步以及规划未来等。为应对学生在学习过程中遇到的困难，学术机构需要加强预防性策略。

教育是社会的重要支柱，当前的教育体系可能无法满足社会不断变化的需求。新教育范式的一个重要特征是能够提前预测学生的表现。通过评估学生数据并进行预测，学术机构可以更好地满足社会的变化需求，同时预测结果也有助于提高教育质量，培养出更有技能和特色的学生。

在教育数据挖掘（EDM）中，开发计算机模型不仅是为了获得最佳的预测精度，还为了帮助教学当局评估学术成就。预测学生成绩的模型有助于利用各种数据挖掘技术检查收集到的数据。开发标准化测试预测模型有监督和无监督两种方法，本文选择分类方法来预测学生的成绩。

评估学生的作业有助于教师和教育工作者得出有用的结论并做出必要的调整。在提高预测准确性和制定提高学生学术表现的行动计划时，选择用于预测的属性至关重要。目前的方法在确定用于预测学生表现的机器学习模型的理想属性方面各有优缺点。

本文使用网格搜索方法，研究了四种支持向量机（SVM）核函数（多项式函数（PF）、线性函数（LF）、径向基函数（RBF）和Sigmoid函数（SF））的性能，目的是使用2009 - 2014年尼日利亚中北部地区大学计算机科学系的学生教育数据集确定最佳核函数。

2. 相关工作

以下是一些关于学生成绩预测的相关研究：
|研究人员|研究内容|研究结果|
| ---- | ---- | ---- |