您所在的位置:职称论文 > 论文 > 教育论文 > 正文

DDTR:大数据背景下的学生就业率预测模型

  摘 要:伴随大数据驱动的深入感知及预测方法的飞速发展,分析及研究学生就业率的变化趋势,对调整课程结构、提高学生就业率,均有较好的促进作用。本文基于在校学生的多项课程成绩,利用贪心选择策略,建立了采用自学习模式的就业率预测模型DDTR,通过混淆矩阵各项系数验证,该预测模型具有较高的就业预见性,对学校课程规划及学生就业具有一定的指导意义。 
  关键词:大数据;就业率;机器学习;Weka 
  中图分类号:TP315 文献标志码:B 文章编号:1673-8454(2018)21-0048-03 
  一、引言 
  近年来,伴随国际产业形式的调整及我国经济结构的不断深化,有效应对经济新常态对于人才的需求成为教育行业的首要任务。而其中,就业环节作为评测人才供给与人才需求的核心,已成为关键。2017年,党的十九大报告指出:“就业是最大的民生。提高就业质量,要堅持就业优先战略和积极就业政策,实现更高质量和更充分就业”。另一方面,全国应届毕业生人数在逐年增加,这给学生就业前景增加了更多的不确定性。“互联网+”时代的来临,将不可避免更深入地促进产业结构的调整。因此,分析研究就业率的变化趋势,把握新经济形势下社会发展的脉搏,将有利于高校、学生准确地进行专业、就业定位,评价自身能力,从而能更从容地适应新产业形势下的机遇和挑战。 
  基于此,本文通过大数据的分析方法,以高校真实数据为例,建立了利用自学习模式的就业率预测模型DDTR,有效地对就业前景进行预测。 
  二、DDTR系统架构 
  就业率是学校用于评价教学质量和应届学生能力的指标,对于学校和社会间良性作用的程度具有客观的反映。影响毕业生就业的因素具有多样性,通过对毕业生和招聘单位的调查,学生的学业成绩是就业率一个非常重要的影响因素, 
  本文旨在建立一种基于学生学业成绩的就业率预测模型,通过历史数据的比对,审查和规划学校的发展。同时,通过产生可能就业困难学生名单,学校可对这些学生进行针对性指导,帮助学生就业。基于成绩的就业率预测框架DDTR(data normalization-dimension specification-decision tree-employment rate)是一个自学习系统,如图1所示,每一次预测后,预测报告都要和真实报告进行分析匹配并最终给出反馈意见,进一步修改和完善预测模型。 
  三、DDTR模块分析 
  DDTR中的学生成绩主要来自于课程成绩,基于此,本文将学生的课程成绩作为模型的训练样本。系统的功能模块如图2所示,由3大模块组成,其中决策树模型模块负责将输入的数据根据相应算法进行分析后生成预测文件;原始数据处理模块负责将学生的课程成绩处理成预测模型需要的数据格式;测试与分析模块则负责将预测后的数据进行分析,以便进一步改善预测模型。[1] 
  1.决策树模型 
  决策树[2]是一种由结点和有向边组成的层次结构,树中每个终端结点被赋予一个类标号,非终端结点包含属性测试条件。每个待预测条目,从根结点往下,根据结点中的属性测试条件,选择相应TOPDOWN方向,进入子结点,再次测试,一直重复迭代递归,直到到达叶子结点。叶子结点代表了一个特定的类标号,带预测条目从根节点往下抵达叶结点的过程就是决策树分类的过程。 

 
本站主营各类论文发表论文发表,职称论文发表,论文代写代发表服务!
加盟 加盟陈主编:QQ:22848269 咨询电话 垂询电话:13541216041 邮箱投稿邮箱:[email protected]
QQ客户 客服杨老师:QQ:61771950 咨询电话 垂询热线:13880434362 邮箱 投稿邮箱:[email protected]
QQ咨询 客服邓老师:QQ:61771951 咨询电话 垂询热线:13880434362 邮箱投稿邮箱[email protected]
联系地址 联系地址: 四川大学望江校区 成都市一环路南一段24号 邮编: 610065
常年法律顾问支持:四川川宏达律师事务所 信息产业部备案:蜀ICP备08008442号
专业,诚信,快捷,权威的论文发表网