[发明专利]一种基于有效数据挖掘的学生就业能力预测方法

权利要求书

1.一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，该方法包括以下步骤：

S1、采集学生就业相关数据，并进行预处理；

所述学生就业相关数据包括学生的性别、专业成绩、英语等级和专业技能；

S2、对预处理后的数据进行特征选择，包括特征子集选择及最优特征子集选择两个步骤；

S3、采用混合分类器对最优特征子集进行分类；

S4、根据分类结果进行学生就业能力预测。

2.根据权利要求1所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，预处理时采用模糊决策树算法。

3.根据权利要求1所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，S2中特征子集选择采用信息增益、卡方、基尼指数或相关系数方法。

4.根据权利要求1所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，S2中最优特征子集选择采用优化乌鸦搜索算法。

5.根据权利要求4所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，采用优化乌鸦搜索算法实现的最优特征子集选择过程为：

a)初始化乌鸦的位置x_id和内存m_id，其中i＝1,…,N,andd＝(1，..，d)，假定起源位置为它们的初始记忆；

b)评价适应度函数；

c)随机选择一只乌鸦跟随，例如第j只乌鸦，并使用下列公式更新第i个乌鸦的新位置：

其中r_i随机生成，分布在0和1之间；AP_j表示乌鸦j的感知概率；fl·()为乌鸦在当前迭代次数的飞行距离；

d)计算新位置的适应度；

e)找到适应度值最优的位置，并更新记忆矩阵；

经过多次迭代收敛后形成最优特征子集。

6.根据权利要求1所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，S3中混合分类器采用隐马尔可夫模型和支持向量机的杂交。

7.根据权利要求6所述一种基于有效数据挖掘的学生就业能力预测方法，其特征在于，混合分类器为隐马尔可夫模型和支持向量机建立的混淆矩阵，所述混淆矩阵包含真正、真负、假正值和假负值。