張岑

【摘要】實現(xiàn)教育教學(xué)過程中對教師教學(xué)水平公正、準(zhǔn)確、快速地評價，是學(xué)校實施現(xiàn)代化教學(xué)管理的重要前提，傳統(tǒng)的教學(xué)評價方法存在著主觀性大、精準(zhǔn)度差操作復(fù)雜等問題。本文提出了基于支持向量機的數(shù)據(jù)挖掘算法與學(xué)校教師的評價指標(biāo)相結(jié)合的改進方案，利用SVM對樣本數(shù)據(jù)進行分類，通過在評價系統(tǒng)中對樣本數(shù)據(jù)的訓(xùn)練形成訓(xùn)練模型，并進一步利用該模型完成對預(yù)測數(shù)據(jù)的職能分析和評測。實驗證明，同傳統(tǒng)方法相比，方案具有綜合性能優(yōu)勢及應(yīng)用價值。

【關(guān)鍵詞】教學(xué)評價SVM懲罰因子核函數(shù)

【中圖分類號】G71 【文獻標(biāo)識碼】A 【文章編號】2095-3089（2014）03-0024-02

教育教學(xué)系統(tǒng)的評估已經(jīng)成為了國內(nèi)外學(xué)者的研究熱點。針對教師綜合教學(xué)的評價體系有了快速發(fā)展，而目前大多的研究主要基于傳統(tǒng)的數(shù)據(jù)統(tǒng)計方法，復(fù)雜的評估參數(shù)及繁重的計算方法無法滿足當(dāng)今科學(xué)測量、評價的發(fā)展需求。支持向量機通過把非線性分類問題轉(zhuǎn)換成線性分類問題，較好解決了傳統(tǒng)算法中訓(xùn)練集誤差最小而測試集誤差仍較大的問題，且算法具有較高的效率和精度，目前在分類和回歸模型中被廣泛應(yīng)用。提出一種基于SVM的教學(xué)評價模型，充分利用機器學(xué)習(xí)方法的分類優(yōu)勢，訓(xùn)練SVM智能、準(zhǔn)確反映教師的教學(xué)水平。

1.SVM學(xué)習(xí)算法

SVM從線性可分情況下的最優(yōu)分類面發(fā)展而來：假設(shè)訓(xùn)練樣本輸入為xi(i = 1,2,……n),期望輸出yi∈{+1,-1},超平面ωxi+b =0需滿足約束條件yi（ωxi+b）-1≥0）以實現(xiàn)樣本的正確分類。使最大化分類間隔2/||ω||獲得最小值的分類面即為最優(yōu)分類面，滿足|(ωxi)+b|=1的樣本點為支持向量。對于非線性的情況，可以將非線性變化轉(zhuǎn)化為另一個高維特征空間的線性問題，然后在這個高維空間中求最優(yōu)分類面，其分類函數(shù)為f（x）＝sgn（ωx+b）=sgn(■a■■yiK（xix）+b■■）。

表1 精確度隨γ值的變化情況表

2.基于數(shù)據(jù)挖掘技術(shù)的教學(xué)評價

2.1評價系統(tǒng)指標(biāo)標(biāo)準(zhǔn)化

教學(xué)系統(tǒng)評價為多層次、多指標(biāo)的問題[3，4]，本文建立了12個評價指標(biāo)，即每個樣本數(shù)據(jù)的特征向量共有12個屬性。281個樣本數(shù)據(jù)來自于對教師教學(xué)質(zhì)量的隨機調(diào)查評分，并分為3個等級。按SVM指定格式對各指標(biāo)進行歸一化處理，使數(shù)據(jù)范圍為[-1,1]。選取200個數(shù)據(jù)作為訓(xùn)練樣本，其余作測試樣本，然后調(diào)用SVM分類器進行評價。標(biāo)準(zhǔn)化過程如下：

Function normal = normalization(x, kind)

if margin < 2

Kind = 2;% kind = 1 or 2 for the first class or second class of normalized

End

[m,n] = size(x);

Normal = zeros (m, n);

%% normalize the data x to [0,1]

if kind == 1

for i = 1:m

ma = max( x(i,:) );

mi = min( x(i,:) )

normal(i,:) = ( x(i,:)-mi )./( ma-mi );

end

end

2.2核函數(shù)選擇與參數(shù)確定

圖1給出了3種核函數(shù)在相同γ值條件下，精確度隨C值變化的對比曲線。隨著C值的增加3種核函數(shù)的精確度隨之增長，然而當(dāng)懲罰因子到達某一特定值時，算法精準(zhǔn)度增加緩慢或出現(xiàn)停滯，因此最終確定實驗中的核函數(shù)為RBF，懲罰因子C=27。γ是影響精確度的重要參數(shù)，表1中的實驗結(jié)果顯示精確度在γ∈[0.01,0.09]時，隨著γ值的連續(xù)增長有所提高，在γ=0.0833（1/n）時獲得最大值94.3529%。

2.3基于SVM的訓(xùn)練

提取數(shù)據(jù)庫中其余的樣本數(shù)據(jù)，采用SVM Predict對訓(xùn)練結(jié)果進行驗證以獲得較好的匹配比率。實現(xiàn)代碼如下：

load training_scale;

data = training_scale_inst;

label = training_scale_label;

% Build classification model

model = svmtrain (label, data, ' -s 0 -t 2 -c 27 -g

0.0833');

model = Parameters: [5x1 double]

nr_class: 3

totalSV: 281

rho: 0.4951

Label: [3x1 double]

ProbA: []

ProbB: []

SVM: [3x1 double]

sv_coef: [281x1 double]

SVS: [281x12 double]

通過調(diào)用database、配置文件中的參數(shù)及事先構(gòu)造的二類分類器對錄入數(shù)據(jù)進行訓(xùn)練和評價。根據(jù)評價所得結(jié)果判斷，如果某個類別擁有的同一數(shù)據(jù)較多，則認為該數(shù)據(jù)屬于這一類別。如出現(xiàn)不確定結(jié)果，則由人工評價結(jié)果繼續(xù)進行判斷對比，或重新采集數(shù)據(jù)樣本并訓(xùn)練，直至獲得匹配率較高的訓(xùn)練機，得到符合要求的準(zhǔn)確結(jié)果。

3.實驗分析與結(jié)論

實驗中加入了PLSR模型和神經(jīng)網(wǎng)絡(luò)模型，與SVM模型一起進行預(yù)測結(jié)果與實際值的誤差測試，如圖2所示。同時考察3種算法的耗時指標(biāo)，結(jié)果如圖3所示。

圖2 模型最終預(yù)測結(jié)果

實驗結(jié)論為：基于PLSR的預(yù)測效果最差，平均超過實際值在5%以上，該算法求解時的迭代運算也造成了相當(dāng)?shù)臅r間消耗。SVM和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差相對令人滿意，平均誤差均控制在3%以下，但是神經(jīng)網(wǎng)絡(luò)模型的求解算法過于復(fù)雜，其耗時分別達到了SVM的15倍及PLSR的90倍。而SVM拓撲結(jié)構(gòu)相對簡單，通常只由幾個支持向量決定，提高了運算速度。

圖3 預(yù)測結(jié)果耗時對比

4.結(jié)語

教學(xué)質(zhì)量與各評價指標(biāo)之間定量的非線性函數(shù)關(guān)系難以顯示表達，影響了教學(xué)評價的公平性和準(zhǔn)確性?；赟VM的模型具有逼近任意非線性輸入輸出關(guān)系的能力，具有訓(xùn)練樣本量少，預(yù)測精度高，學(xué)習(xí)性強等特點。訓(xùn)練后的SVM評價模型可以代替?zhèn)鹘y(tǒng)的基于主觀的評價機制，有助于提高教師教學(xué)能力和學(xué)校整體的教學(xué)水平。

參考文獻：

[1]王沖林,高齊圣.高等學(xué)校教師教學(xué)質(zhì)量的統(tǒng)計評價方法研究[J].教學(xué)研究,2008,5:33-35.

[2]徐高歡.SVM在教師教學(xué)質(zhì)量評價中的應(yīng)用[J].浙江水利水電專科學(xué)校學(xué)報,2007,3(19):66-68.

endprint

【摘要】實現(xiàn)教育教學(xué)過程中對教師教學(xué)水平公正、準(zhǔn)確、快速地評價，是學(xué)校實施現(xiàn)代化教學(xué)管理的重要前提，傳統(tǒng)的教學(xué)評價方法存在著主觀性大、精準(zhǔn)度差操作復(fù)雜等問題。本文提出了基于支持向量機的數(shù)據(jù)挖掘算法與學(xué)校教師的評價指標(biāo)相結(jié)合的改進方案，利用SVM對樣本數(shù)據(jù)進行分類，通過在評價系統(tǒng)中對樣本數(shù)據(jù)的訓(xùn)練形成訓(xùn)練模型，并進一步利用該模型完成對預(yù)測數(shù)據(jù)的職能分析和評測。實驗證明，同傳統(tǒng)方法相比，方案具有綜合性能優(yōu)勢及應(yīng)用價值。

【關(guān)鍵詞】教學(xué)評價SVM懲罰因子核函數(shù)

【中圖分類號】G71 【文獻標(biāo)識碼】A 【文章編號】2095-3089（2014）03-0024-02

教育教學(xué)系統(tǒng)的評估已經(jīng)成為了國內(nèi)外學(xué)者的研究熱點。針對教師綜合教學(xué)的評價體系有了快速發(fā)展，而目前大多的研究主要基于傳統(tǒng)的數(shù)據(jù)統(tǒng)計方法，復(fù)雜的評估參數(shù)及繁重的計算方法無法滿足當(dāng)今科學(xué)測量、評價的發(fā)展需求。支持向量機通過把非線性分類問題轉(zhuǎn)換成線性分類問題，較好解決了傳統(tǒng)算法中訓(xùn)練集誤差最小而測試集誤差仍較大的問題，且算法具有較高的效率和精度，目前在分類和回歸模型中被廣泛應(yīng)用。提出一種基于SVM的教學(xué)評價模型，充分利用機器學(xué)習(xí)方法的分類優(yōu)勢，訓(xùn)練SVM智能、準(zhǔn)確反映教師的教學(xué)水平。

1.SVM學(xué)習(xí)算法

SVM從線性可分情況下的最優(yōu)分類面發(fā)展而來：假設(shè)訓(xùn)練樣本輸入為xi(i = 1,2,……n),期望輸出yi∈{+1,-1},超平面ωxi+b =0需滿足約束條件yi（ωxi+b）-1≥0）以實現(xiàn)樣本的正確分類。使最大化分類間隔2/||ω||獲得最小值的分類面即為最優(yōu)分類面，滿足|(ωxi)+b|=1的樣本點為支持向量。對于非線性的情況，可以將非線性變化轉(zhuǎn)化為另一個高維特征空間的線性問題，然后在這個高維空間中求最優(yōu)分類面，其分類函數(shù)為f（x）＝sgn（ωx+b）=sgn(■a■■yiK（xix）+b■■）。

表1 精確度隨γ值的變化情況表

2.基于數(shù)據(jù)挖掘技術(shù)的教學(xué)評價

2.1評價系統(tǒng)指標(biāo)標(biāo)準(zhǔn)化

教學(xué)系統(tǒng)評價為多層次、多指標(biāo)的問題[3，4]，本文建立了12個評價指標(biāo)，即每個樣本數(shù)據(jù)的特征向量共有12個屬性。281個樣本數(shù)據(jù)來自于對教師教學(xué)質(zhì)量的隨機調(diào)查評分，并分為3個等級。按SVM指定格式對各指標(biāo)進行歸一化處理，使數(shù)據(jù)范圍為[-1,1]。選取200個數(shù)據(jù)作為訓(xùn)練樣本，其余作測試樣本，然后調(diào)用SVM分類器進行評價。標(biāo)準(zhǔn)化過程如下：

Function normal = normalization(x, kind)

if margin < 2

Kind = 2;% kind = 1 or 2 for the first class or second class of normalized

End

[m,n] = size(x);

Normal = zeros (m, n);

%% normalize the data x to [0,1]

if kind == 1

for i = 1:m

ma = max( x(i,:) );

mi = min( x(i,:) )

normal(i,:) = ( x(i,:)-mi )./( ma-mi );

end

end

2.2核函數(shù)選擇與參數(shù)確定

圖1給出了3種核函數(shù)在相同γ值條件下，精確度隨C值變化的對比曲線。隨著C值的增加3種核函數(shù)的精確度隨之增長，然而當(dāng)懲罰因子到達某一特定值時，算法精準(zhǔn)度增加緩慢或出現(xiàn)停滯，因此最終確定實驗中的核函數(shù)為RBF，懲罰因子C=27。γ是影響精確度的重要參數(shù)，表1中的實驗結(jié)果顯示精確度在γ∈[0.01,0.09]時，隨著γ值的連續(xù)增長有所提高，在γ=0.0833（1/n）時獲得最大值94.3529%。

2.3基于SVM的訓(xùn)練

提取數(shù)據(jù)庫中其余的樣本數(shù)據(jù)，采用SVM Predict對訓(xùn)練結(jié)果進行驗證以獲得較好的匹配比率。實現(xiàn)代碼如下：

load training_scale;

data = training_scale_inst;

label = training_scale_label;

% Build classification model

model = svmtrain (label, data, ' -s 0 -t 2 -c 27 -g

0.0833');

model = Parameters: [5x1 double]

nr_class: 3

totalSV: 281

rho: 0.4951

Label: [3x1 double]

ProbA: []

ProbB: []

SVM: [3x1 double]

sv_coef: [281x1 double]

SVS: [281x12 double]

通過調(diào)用database、配置文件中的參數(shù)及事先構(gòu)造的二類分類器對錄入數(shù)據(jù)進行訓(xùn)練和評價。根據(jù)評價所得結(jié)果判斷，如果某個類別擁有的同一數(shù)據(jù)較多，則認為該數(shù)據(jù)屬于這一類別。如出現(xiàn)不確定結(jié)果，則由人工評價結(jié)果繼續(xù)進行判斷對比，或重新采集數(shù)據(jù)樣本并訓(xùn)練，直至獲得匹配率較高的訓(xùn)練機，得到符合要求的準(zhǔn)確結(jié)果。

3.實驗分析與結(jié)論

實驗中加入了PLSR模型和神經(jīng)網(wǎng)絡(luò)模型，與SVM模型一起進行預(yù)測結(jié)果與實際值的誤差測試，如圖2所示。同時考察3種算法的耗時指標(biāo)，結(jié)果如圖3所示。

圖2 模型最終預(yù)測結(jié)果

實驗結(jié)論為：基于PLSR的預(yù)測效果最差，平均超過實際值在5%以上，該算法求解時的迭代運算也造成了相當(dāng)?shù)臅r間消耗。SVM和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差相對令人滿意，平均誤差均控制在3%以下，但是神經(jīng)網(wǎng)絡(luò)模型的求解算法過于復(fù)雜，其耗時分別達到了SVM的15倍及PLSR的90倍。而SVM拓撲結(jié)構(gòu)相對簡單，通常只由幾個支持向量決定，提高了運算速度。

圖3 預(yù)測結(jié)果耗時對比

4.結(jié)語

教學(xué)質(zhì)量與各評價指標(biāo)之間定量的非線性函數(shù)關(guān)系難以顯示表達，影響了教學(xué)評價的公平性和準(zhǔn)確性?；赟VM的模型具有逼近任意非線性輸入輸出關(guān)系的能力，具有訓(xùn)練樣本量少，預(yù)測精度高，學(xué)習(xí)性強等特點。訓(xùn)練后的SVM評價模型可以代替?zhèn)鹘y(tǒng)的基于主觀的評價機制，有助于提高教師教學(xué)能力和學(xué)校整體的教學(xué)水平。

參考文獻：

[1]王沖林,高齊圣.高等學(xué)校教師教學(xué)質(zhì)量的統(tǒng)計評價方法研究[J].教學(xué)研究,2008,5:33-35.

[2]徐高歡.SVM在教師教學(xué)質(zhì)量評價中的應(yīng)用[J].浙江水利水電專科學(xué)校學(xué)報,2007,3(19):66-68.

endprint

【摘要】實現(xiàn)教育教學(xué)過程中對教師教學(xué)水平公正、準(zhǔn)確、快速地評價，是學(xué)校實施現(xiàn)代化教學(xué)管理的重要前提，傳統(tǒng)的教學(xué)評價方法存在著主觀性大、精準(zhǔn)度差操作復(fù)雜等問題。本文提出了基于支持向量機的數(shù)據(jù)挖掘算法與學(xué)校教師的評價指標(biāo)相結(jié)合的改進方案，利用SVM對樣本數(shù)據(jù)進行分類，通過在評價系統(tǒng)中對樣本數(shù)據(jù)的訓(xùn)練形成訓(xùn)練模型，并進一步利用該模型完成對預(yù)測數(shù)據(jù)的職能分析和評測。實驗證明，同傳統(tǒng)方法相比，方案具有綜合性能優(yōu)勢及應(yīng)用價值。

【關(guān)鍵詞】教學(xué)評價SVM懲罰因子核函數(shù)

【中圖分類號】G71 【文獻標(biāo)識碼】A 【文章編號】2095-3089（2014）03-0024-02

教育教學(xué)系統(tǒng)的評估已經(jīng)成為了國內(nèi)外學(xué)者的研究熱點。針對教師綜合教學(xué)的評價體系有了快速發(fā)展，而目前大多的研究主要基于傳統(tǒng)的數(shù)據(jù)統(tǒng)計方法，復(fù)雜的評估參數(shù)及繁重的計算方法無法滿足當(dāng)今科學(xué)測量、評價的發(fā)展需求。支持向量機通過把非線性分類問題轉(zhuǎn)換成線性分類問題，較好解決了傳統(tǒng)算法中訓(xùn)練集誤差最小而測試集誤差仍較大的問題，且算法具有較高的效率和精度，目前在分類和回歸模型中被廣泛應(yīng)用。提出一種基于SVM的教學(xué)評價模型，充分利用機器學(xué)習(xí)方法的分類優(yōu)勢，訓(xùn)練SVM智能、準(zhǔn)確反映教師的教學(xué)水平。

1.SVM學(xué)習(xí)算法

SVM從線性可分情況下的最優(yōu)分類面發(fā)展而來：假設(shè)訓(xùn)練樣本輸入為xi(i = 1,2,……n),期望輸出yi∈{+1,-1},超平面ωxi+b =0需滿足約束條件yi（ωxi+b）-1≥0）以實現(xiàn)樣本的正確分類。使最大化分類間隔2/||ω||獲得最小值的分類面即為最優(yōu)分類面，滿足|(ωxi)+b|=1的樣本點為支持向量。對于非線性的情況，可以將非線性變化轉(zhuǎn)化為另一個高維特征空間的線性問題，然后在這個高維空間中求最優(yōu)分類面，其分類函數(shù)為f（x）＝sgn（ωx+b）=sgn(■a■■yiK（xix）+b■■）。

表1 精確度隨γ值的變化情況表

2.基于數(shù)據(jù)挖掘技術(shù)的教學(xué)評價

2.1評價系統(tǒng)指標(biāo)標(biāo)準(zhǔn)化

教學(xué)系統(tǒng)評價為多層次、多指標(biāo)的問題[3，4]，本文建立了12個評價指標(biāo)，即每個樣本數(shù)據(jù)的特征向量共有12個屬性。281個樣本數(shù)據(jù)來自于對教師教學(xué)質(zhì)量的隨機調(diào)查評分，并分為3個等級。按SVM指定格式對各指標(biāo)進行歸一化處理，使數(shù)據(jù)范圍為[-1,1]。選取200個數(shù)據(jù)作為訓(xùn)練樣本，其余作測試樣本，然后調(diào)用SVM分類器進行評價。標(biāo)準(zhǔn)化過程如下：

Function normal = normalization(x, kind)

if margin < 2

Kind = 2;% kind = 1 or 2 for the first class or second class of normalized

End

[m,n] = size(x);

Normal = zeros (m, n);

%% normalize the data x to [0,1]

if kind == 1

for i = 1:m

ma = max( x(i,:) );

mi = min( x(i,:) )

normal(i,:) = ( x(i,:)-mi )./( ma-mi );

end

end

2.2核函數(shù)選擇與參數(shù)確定

圖1給出了3種核函數(shù)在相同γ值條件下，精確度隨C值變化的對比曲線。隨著C值的增加3種核函數(shù)的精確度隨之增長，然而當(dāng)懲罰因子到達某一特定值時，算法精準(zhǔn)度增加緩慢或出現(xiàn)停滯，因此最終確定實驗中的核函數(shù)為RBF，懲罰因子C=27。γ是影響精確度的重要參數(shù)，表1中的實驗結(jié)果顯示精確度在γ∈[0.01,0.09]時，隨著γ值的連續(xù)增長有所提高，在γ=0.0833（1/n）時獲得最大值94.3529%。

2.3基于SVM的訓(xùn)練

提取數(shù)據(jù)庫中其余的樣本數(shù)據(jù)，采用SVM Predict對訓(xùn)練結(jié)果進行驗證以獲得較好的匹配比率。實現(xiàn)代碼如下：

load training_scale;

data = training_scale_inst;

label = training_scale_label;

% Build classification model

model = svmtrain (label, data, ' -s 0 -t 2 -c 27 -g

0.0833');

model = Parameters: [5x1 double]

nr_class: 3

totalSV: 281

rho: 0.4951

Label: [3x1 double]

ProbA: []

ProbB: []

SVM: [3x1 double]

sv_coef: [281x1 double]

SVS: [281x12 double]

通過調(diào)用database、配置文件中的參數(shù)及事先構(gòu)造的二類分類器對錄入數(shù)據(jù)進行訓(xùn)練和評價。根據(jù)評價所得結(jié)果判斷，如果某個類別擁有的同一數(shù)據(jù)較多，則認為該數(shù)據(jù)屬于這一類別。如出現(xiàn)不確定結(jié)果，則由人工評價結(jié)果繼續(xù)進行判斷對比，或重新采集數(shù)據(jù)樣本并訓(xùn)練，直至獲得匹配率較高的訓(xùn)練機，得到符合要求的準(zhǔn)確結(jié)果。

3.實驗分析與結(jié)論

實驗中加入了PLSR模型和神經(jīng)網(wǎng)絡(luò)模型，與SVM模型一起進行預(yù)測結(jié)果與實際值的誤差測試，如圖2所示。同時考察3種算法的耗時指標(biāo)，結(jié)果如圖3所示。

圖2 模型最終預(yù)測結(jié)果

實驗結(jié)論為：基于PLSR的預(yù)測效果最差，平均超過實際值在5%以上，該算法求解時的迭代運算也造成了相當(dāng)?shù)臅r間消耗。SVM和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差相對令人滿意，平均誤差均控制在3%以下，但是神經(jīng)網(wǎng)絡(luò)模型的求解算法過于復(fù)雜，其耗時分別達到了SVM的15倍及PLSR的90倍。而SVM拓撲結(jié)構(gòu)相對簡單，通常只由幾個支持向量決定，提高了運算速度。

圖3 預(yù)測結(jié)果耗時對比

4.結(jié)語

教學(xué)質(zhì)量與各評價指標(biāo)之間定量的非線性函數(shù)關(guān)系難以顯示表達，影響了教學(xué)評價的公平性和準(zhǔn)確性?；赟VM的模型具有逼近任意非線性輸入輸出關(guān)系的能力，具有訓(xùn)練樣本量少，預(yù)測精度高，學(xué)習(xí)性強等特點。訓(xùn)練后的SVM評價模型可以代替?zhèn)鹘y(tǒng)的基于主觀的評價機制，有助于提高教師教學(xué)能力和學(xué)校整體的教學(xué)水平。

參考文獻：

[1]王沖林,高齊圣.高等學(xué)校教師教學(xué)質(zhì)量的統(tǒng)計評價方法研究[J].教學(xué)研究,2008,5:33-35.

[2]徐高歡.SVM在教師教學(xué)質(zhì)量評價中的應(yīng)用[J].浙江水利水電?？茖W(xué)校學(xué)報,2007,3(19):66-68.

endprint