
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。