[发明专利]一种基于多分类BP-Adaboost的贫困生认定方法

说明书

一种基于多分类BP‑Adaboost的贫困生认定方法，包括以下步骤：（1）获取往年贫困生的多维历史数据，（2）对采集到的往年贫困生历史数据进行预处理，构造学生特征矩阵S；（3）将往年贫困生的多维历史数据按照贫困程度分为三个类别，标注学生贫困类别标签，构造训练数据集；（4）设计BP‑Adaboost分类模型，使用提取的往年各贫困程度的贫困生特征矩阵构造的数据集训练BP‑Adaboost分类模型；（5）训练模型用于贫困生辅助认定。本发明利用在校学生产生的学生行为数据，设计了一个基于BP‑Adaboost的多分类模型，本模型可以快速、准确的将学生分为三种贫困类别，以此判断学生的贫困情况辅助高校贫困生管理工作人员进行决策。

技术领域

本发明属于特征提取和分类算法技术领域，具体涉及一种基于多分类BP-Adaboost的贫困生认定方法。

背景技术

学生资助是脱贫攻坚、促进教育公平进而实现社会公平的重要内容和重要举措。高校贫困生认定是国家学生资助政策有效落实的基础工作，是推进学生资助精准化的重要内容。目前，大部分高校贫困生评定都是有学生所在地乡镇出示相关证明后由班级公开评选和院系辅导员审核。这种认定模式存在贫困认定偏差、各环节评选容易掺杂个人主观感情、贫困生因自尊心放弃评审等问题，导致影响贫困生资助的公平、效率和准确。

大数据时代的来临和深度学习方法日益成熟，为贫困生资助工作带来了新的理念和技术支持，也为高校利用大数据与深度学习方法推进快速、便捷、高效精准资助工作带来了新的机遇。目前高校信息化建设已经取得了长足发展，学生在校园的一切行为都会产生数据，记录着学生各项特征，这类数据反映着学生的真实情况，合理的运用这类数据可以在一定程度上辅助贫困生认定过程，使认定结果更加真实客观，给予真正贫困的学生更多帮助。

目前，对于使用大数据手段、机器学习方法辅助认定在校贫困生认定工作仍处于探索阶段，国内暂无统一的认定评估方法。虽有一部分技术提出了一些观点与思路，但均无法满足实际应用或难以实现，例如：申请号201810972342.8、专利名称为一种基于机器学习的学生贫困程度预测方法的专利申请文件，其虽是针对学生在校产生行为数据进行学生贫困程度预测，但其所需数据种类繁多，需要使用几十类数据，容易造成数据维数灾难，同时加大了实现难度。

因此，利用大数据手段与机器学习方法有效的、精准的实现贫困生认定已经成为研究辅助贫困生精准资助的关键。

发明内容

为了克服上述现有技术处理高维度贫困生数据困难以及实现精准资助贫困生困难的问题，本发明提出了一种基于多分类BP-Adaboost的贫困生认定方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于多分类BP-Adaboost的贫困生认定方法，其特征在于，包括以下步骤：

步骤1、学生历史行为数据的获取，获取往年贫困生的多维历史数据，往年贫困生多维历史数据包括学生家庭情况与经济情况、校园消费情况、学生成绩情况、贫困生基本信息；

其获取往年贫困生多维历史数据建立贫困生特征矩阵的具体步骤如下：

1)提取学生家庭情况与经济情况，包括是否独生子女、是否为孤儿、是否建档立卡贫困户、学生本人是否有残疾或患病、父母是否有残疾或患病、是否城乡特困供养人员、是否城乡最低生活保障家庭；提取校园消费情况，包括消费总金额、日消费额最大值、日消费额均值、月消费额最大值、日消费次数均值；提取学生成绩情况，包括绩点、学期平均成绩、挂科数量；提取贫困生基本情况，包括是否绿色通道入学、是否办理生源地贷款；