基于分類算法的學生性格研究.pdf

1、學生性格特征的研究，對提高學校的教育質(zhì)量與學生的生活質(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)站進行數(shù)據(jù)挖掘預測用戶性格的研究，但無法保證所有學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生上網(wǎng)數(shù)據(jù)與消費數(shù)據(jù)進行性格預測的方法，它主要分為特征提取，特征篩選，分類器選擇三個部分。其中的特征提取與特征篩選是本文

2、研究的重點，本文嘗試從數(shù)據(jù)中發(fā)掘出學生上網(wǎng)的偏好與不同時間段的消費習慣，并刪除掉冗余的特征。同時，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，提出了一種基于時間分割的增加樣本數(shù)量的方法。參與實驗的同學完成艾森克人格問卷簡式量表中國版（EPQ-RSC），然后根據(jù)他們的學號獲得在校的消費數(shù)據(jù)與上網(wǎng)數(shù)據(jù)，最后通過性格預測的方法得到目標分類器。線性SVM是綜合表現(xiàn)最好的分類器，外傾性的預測準確率與F-measure分別達到了71.8％與77.1

3、%。
　　更進一步的，考慮到受測人說謊的可能，根據(jù)問卷調(diào)查的特性進行樣本篩選。同時，由于皮爾森系數(shù)篩選特征的局限性，使用SVM-RFE改進了特征篩選的方法，并找出了每個性格維度最重要的特征。最后對學生性格的三個維度進行預測，線性SVM是綜合表現(xiàn)最好的分類器。外傾性的預測準確率與F-measure分別達到了82.5%與86.0%；神經(jīng)質(zhì)的準確率與F-measure分別達到了81.0%與74.4%；精神質(zhì)的準確率與F-measure分