今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

基于混合优化算法的学生适应性预测模型研究

《Scientific Reports》:An innovative framework for student adaptability prediction using discriminant-based classification, feature selection, and sensitivity analysis

【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9

编辑推荐:

  摘要准确预测学生的适应性对于提高学术表现和个人发展至关重要。本研究提出了一种基于分类的方法,该方法结合了二次判别分析(QDA)、极端梯度提升(XGBoost)和线性判别分析(LDA)来预测学生的适应性。为了提升模型性能,采用了基于湍流水流优化(TFWO)和巨型犰狳优化(GAO)的

  

摘要

准确预测学生的适应性对于提高学术表现和个人发展至关重要。本研究提出了一种基于分类的方法,该方法结合了二次判别分析(QDA)、极端梯度提升(XGBoost)和线性判别分析(LDA)来预测学生的适应性。为了提升模型性能,采用了基于湍流水流优化(TFWO)和巨型犰狳优化(GAO)的算法。数据集包含1,205条学生记录,其中包含了人口统计、教育背景和社会经济属性信息,这些记录被分为训练集和测试集。表现最佳的两种混合模型通过FAST方法进行了敏感性分析。实验结果表明,经过GAO优化的QDA模型(QDGO)达到了0.975的最高分类准确率,优于其他模型配置。这些发现突显了优化后的分类模型在学生适应性预测方面的潜力,为教育机构提供了宝贵的见解。未来的研究可以探索更多的混合模型和更大的数据集,以进一步提升预测的准确性。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:学生适应性|二次判别分析|巨型犰狳优化|湍流水流优化|分类模型|机器学习

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号