[发明专利]一种基于K-means聚类与XGBoost算法的心理预判方法及系统

说明书

本发明请求保护一种基于K‑means聚类与XGBoost算法的心理预判方法及系统，该方法包括：1)利用机器学习的方法，基于已知样本中的决定性特征，建立和训练基于样本决定性特征的心理预判模型；2)获取新个体的决定性特征数据，根据所述的基于样本决定性特征的心理预判模型得到该新个体的心理健康状况，根据结果来预判学生心理健康。本发明所达到的有益效果：本模型利用机器学习中的XGBoost算法提取关键的决定性特征，有助于更加准确地进行心理健康状态评估。在适当调参后，在测试集上进行测试集测试，准确率能够达到98％～100％，说明效果明显，模型普适性高。本发明可提供精确的心理预判模型，给学校的学生管理工作提供便利。

技术领域

本发明属于机器学习领域，尤其涉及基于机器学习学生行为数据的心理健康预判方法及系统。

背景技术

国家在“十三五”教育规划中，十分强调和重视身心健康。实际上，新时代教育发展的大方向是学生的身心健康教育，这也是教育适应人工智能时代科技进步和大数据发展的大趋势。本项目旨在利用大数据技术可以记录学生的行为数据这一点，了解学生的心理健康促进他们的身心发展。

学生的知识、技能和智力都同心理健康密切相关,心理健康无障碍是有效学习的基础,不健康的心理会影响智力和学习效率。健康的心理能正确感知外界事物,思维无幻觉、错觉，条理清晰。既能保持对学习有较深厚的兴趣和求知欲望,并致力于其中且获得乐趣,又能克服学习中的困难,保持良好的学习效率。

学生在校园内会留下一连串的“数字足迹”，这些“数字足迹”包括学习过程的行为数据、学习结果的评价数据，以及通过在线学形成的社会网络关系数据等。在大数据场景中，每个学生的考试成绩、食堂消费、超市消费、图书借阅、学业成绩、平时成绩等可以立即记录并添加到数据库中。

我国现有的心里预警方法中主要是基于对学生发放心理问卷例如大学生的人格问卷(UPI)、埃森克人格问卷(EPQ)等，对问卷数据进行挖掘分析，得到影响学生心理健康重要指标，来辅助高校心理健康工作。但是这种方法涵盖的学生数据少，数据的准确性也受到各种主观因素的影响，因此上述提到的心理预警结果极有可能不准确。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于K-means聚类与XGBoost算法的心理预判方法及系统。本发明的技术方案如下：

一种基于K-means聚类与XGBoost算法的心理预判方法，其包括以下步骤：

采集学生的在校行为数据，以学生行为数据作为分类标签，记录数据，并对学生行为数据进行包括做重复值、缺失值、噪声值处理以及类型变换在内的数据预处理；

对于离散性特征，我们使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点；

采用K-means算法聚类分割成三类数据集，分别为label1：较大可能存在心理隐患；label2：存在心理隐患，但可能性不明显；label3：不存在心理隐患。

选取label为‘较大可能存在心理隐患’的样本类，采用XGBoost算法进行有监督学习的分类得出XGBoost预测模型，将新个体的行为数据输入建立的XGBoost预测模型得出心理预判结果，并对参数进行调节，进行XGBoost预测模型测试，得出模型的准确度。

进一步的，所述个体在校行为数据包括：

基本信息数据、成绩数据、课堂数据、一卡通数据、宿舍出入数据、图书馆出入与借阅数据、校园活动数据。