基于分類算法的學(xué)生性格研究.pdf

1、學(xué)生性格特征的研究，對提高學(xué)校的教育質(zhì)量與學(xué)生的生活質(zhì)量有著很大的幫助。每年都有大量的新生入學(xué)并完成性格測試。然而傳統(tǒng)的調(diào)查問卷方式有著很多缺陷，比如效率非常低、受測人容易說謊。近年也出現(xiàn)了很多基于社交網(wǎng)站進(jìn)行數(shù)據(jù)挖掘預(yù)測用戶性格的研究，但無法保證所有學(xué)生頻繁地使用同一種社交網(wǎng)站。
　　因此，本文提出了一種基于學(xué)生上網(wǎng)數(shù)據(jù)與消費(fèi)數(shù)據(jù)進(jìn)行性格預(yù)測的方法，它主要分為特征提取，特征篩選，分類器選擇三個(gè)部分。其中的特征提取與特征篩選是本文

2、研究的重點(diǎn)，本文嘗試從數(shù)據(jù)中發(fā)掘出學(xué)生上網(wǎng)的偏好與不同時(shí)間段的消費(fèi)習(xí)慣，并刪除掉冗余的特征。同時(shí)，為了解決教育數(shù)據(jù)挖掘領(lǐng)域樣本數(shù)量偏少的情況，提出了一種基于時(shí)間分割的增加樣本數(shù)量的方法。參與實(shí)驗(yàn)的同學(xué)完成艾森克人格問卷簡式量表中國版（EPQ-RSC），然后根據(jù)他們的學(xué)號獲得在校的消費(fèi)數(shù)據(jù)與上網(wǎng)數(shù)據(jù)，最后通過性格預(yù)測的方法得到目標(biāo)分類器。線性SVM是綜合表現(xiàn)最好的分類器，外傾性的預(yù)測準(zhǔn)確率與F-measure分別達(dá)到了71.8％與77.1

3、%。
　　更進(jìn)一步的，考慮到受測人說謊的可能，根據(jù)問卷調(diào)查的特性進(jìn)行樣本篩選。同時(shí)，由于皮爾森系數(shù)篩選特征的局限性，使用SVM-RFE改進(jìn)了特征篩選的方法，并找出了每個(gè)性格維度最重要的特征。最后對學(xué)生性格的三個(gè)維度進(jìn)行預(yù)測，線性SVM是綜合表現(xiàn)最好的分類器。外傾性的預(yù)測準(zhǔn)確率與F-measure分別達(dá)到了82.5%與86.0%；神經(jīng)質(zhì)的準(zhǔn)確率與F-measure分別達(dá)到了81.0%與74.4%；精神質(zhì)的準(zhǔn)確率與F-measure分