[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

说明书

一种基于有效数据挖掘的学生就业能力预测方法，属于云计算，大数据，数据挖掘领域，本发明为解决现有就业能力预测准确率低的问题。本发明方法包括以下步骤：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。

技术领域

本发明属于云计算，大数据，数据挖掘领域。

背景技术

数据挖掘是一种基于计算机的系统，它帮助分析或提取大数据存储中的数据，生成信息和发现知识。这种数据挖掘技术被广泛应用于营销、管理、工程、web挖掘行业。不同的字段在基于web的系统中存储大量的数据。这将推动数据分析中新方法的发展。大型数据集是通过数据挖掘的概念和技术发现的。近年来，数据挖掘技术如分类、聚类、关联、模式匹配、数据可视化和元规则指导下的挖掘等得到了发展。

现在，教育系统是电脑化的，为学生提供有效和高效的教育。这些机构存储了大量的数据，比如学生的入学率、出勤率以及学生的学业成绩。教育数据挖掘是利用机器学习、c等方法，解决存储数据分析中存在的问题。有效的学习过程创新对于保持学生的学习成绩至关重要。教育数据挖掘的初始方法有预测、聚类、关系挖掘、模型发现和数据细化等。

在教育领域，高校面临着学生辍学率的问题。数据挖掘中的机器学习技术有助于控制高校学生的辍学率。辍学行为是基于学生的学业和人口统计变量，如性别、就业状况、选择的科目等。使用数据挖掘的自底向上方法用于处理这些变量，运用Logistic回归方法预测学生是否继续学习该课程，该方法考虑了传统课程学生的成绩。

在这十年中，由于毕业生的增加，失业成为主要的危机。有工作技能的毕业生只能进入行业发展。研究生就业能力模型的含义是检验学习从大学迁移到工作场所的模型。对学生就业成功的分析有助于潜在地提高学业成绩。采用k折交叉法，可以测量模型的预测能力。有效的预测预警系统是避免领域出现问题的必要条件。

数据挖掘技术在教育领域的应用日益广泛。教育数据挖掘技术有决策树、神经网络、朴素贝叶斯、k近邻等。通过使用这些技术，一些任务发现知识，如关联规则和集群。决策树是一种分类技术，它以树结构的形式建立回归模型。学习管理系统(LMS)数据预测技术是一种发现高危学生并为其提供治理的工具。学生的跟踪变量与学生成绩相关。预测的目的是获得未知值。使用训练数据集指导学习过程，使用测试集分析学生的学习成绩。

推荐系统为学生学习成绩的发现提供了一种新的方法。目前还没有使用矩阵因子分解方法，而是采用推荐算法来预测学生的学习成绩。数据挖掘技术在教育数据方面的应用为各机构的许多活动提供了支持。预测学生的就业能力，可以帮助识别学生的失业风险，从而管理可以及时干预和采取必要的步骤，培训学生提高他们的表现。

任何高等教育院校的学生就业能力都需要及早作出预测，以便院校能采取纠正措施。在早期的研究中，研究人员试图建立学生的学习成绩、社会经济条件、工作技能和就业能力之间的联系采用统计方法。除了上述参数，它还探索了断言、同理心、决策、领导能力、驱动力、压力管理等情感技能与预测就业能力之间的联系。

目前关于学生就业预测相关的研究大概包括如下几类：