[发明专利]一种基于GBDT的学生人格倾向预测方法

权利要求书

1.一种基于GBDT的学生人格倾向预测方法，其特征在于，包括以下步骤：

预先基于MBTI评估模型，采集学生心理状态信息作为标签数据信息，并基于日志服务器数据库，采集学生网络访问日志数据信息；

将采集的心理状态信息和网络访问日志数据信息进行数据建模，其中包括获取特征数据信息和采集的标签数据信息合并；

将获取的特征数据信息进行降维处理，并进行分成训练数据和测试数据；

基于训练数据使用GBDT回归算法训练GBDT模型，并将训练好的GBDT模型作为预测模型，对学生进行性格倾向进行预测。

2.根据权利要求1所述的基于GBDT的学生人格倾向预测方法，其特征在于，步骤所述将采集的心理状态信息和网络访问日志数据信息进行数据建模，包括以下步骤：

预先按照访问网址统计每个学生的访问次数，其中包括标定学生ID；

将访问网址进行分类，确定不同分类标签的学生访问次数；

对同分类标签的学生访问次数进行筛选，包括分别标定没有心理问题的学生IDY和有问题的学生记为IDN。

3.根据权利要求1所述的基于GBDT的学生人格倾向预测方法，其特征在于，步骤所述获取的特征数据信息进行降维处理，包括对特征数据信息基于主成分分析法进行降维处理。

4.根据权利要求3所述的基于GBDT的学生人格倾向预测方法，其特征在于，步骤所述分成训练数据和测试数据，包括基于十折交叉验证分成训练数据和测试数据。

5.根据权利要求1所述的基于GBDT的学生人格倾向预测方法，其特征在于，步骤所述GBDT回归算法训练GBDT模型，包括以下步骤：

初始学习器，包括首先构造初始学习器，取训练样本标签值的均值；

训练决策树，包括先构建第1颗决策树，首先确定每个样本的残差，残差＝标签值-预测值；

根据二叉树的递归特性，对子节点继续添加分支条件，每个叶子节点的预测值＝包含样本的标签值的均值，其训练好的决策树包含分支条件、叶子节点的预测值和关联的样本索引；

更新学习器，训练好一颗决策树后，可以在上个学习器的基础上获取新学习器，得到新的学习器后，再次确定每个样本的残差，创建第2颗决策树对残差进行拟合，反复训练N颗决策树后，训练结束。

6.根据权利要求5所述的基于GBDT的学生人格倾向预测方法，其特征在于，所述更新学习器，包括以下步骤：

遍历当前决策树的所有叶子节点；

获取每个叶子节点的预测值、关联的样本索引；

对每个关联的样本更新学习器。