詹中華，沈同平，金 力，黃方亮，許歡慶

國家各級部門為了確保貧困家庭的子女接受正常的教育，相繼頒布《教育部辦公廳關(guān)于進(jìn)一步加強(qiáng)和規(guī)范高校家庭經(jīng)濟(jì)困難學(xué)生認(rèn)定工作的通知》和《教育部等六部門關(guān)于做好家庭經(jīng)濟(jì)困難學(xué)生認(rèn)定工作的指導(dǎo)意見》等文件，對新時期貧困生的認(rèn)定工作作出了新的部署和要求［1].為了更好地做好“教育扶貧”和“教育救助”工作，高效、準(zhǔn)確地識別家庭經(jīng)濟(jì)困難學(xué)生，并及時給予政策資助，讓貧困學(xué)生能夠順利完成學(xué)業(yè)，提高學(xué)生資助效果，成為急需解決的問題之一.只有在精準(zhǔn)識別貧困生的問題得到妥善解決以后，“精準(zhǔn)資助”工作才能真正做到公平、公正、公開，利用有限的資金幫助那些家庭經(jīng)濟(jì)真正困難的學(xué)生，達(dá)到“不讓一名學(xué)生因為家庭貧困而失學(xué)”的目的.

國家各級教育管理部門高度重視高等學(xué)校學(xué)生資助管理工作，不斷制定和頒布學(xué)生資助管理制度，學(xué)生資助工作成效卓著.但在學(xué)生資助和貧困生認(rèn)定工作中，也存在一些問題.比如，目前高校貧困生等級的評定方式和方法比較簡單，缺乏足夠的客觀量化標(biāo)準(zhǔn)，容易夾雜評委的個人情感；貧困生認(rèn)定過程中存在弄虛作假情況；貧困生認(rèn)定過程中需要貧困生將家庭情況當(dāng)眾說明，進(jìn)行“比窮”“比困”和“比慘”，將貧困生家庭情況過度曝光，不利于保護(hù)個人隱私，甚至?xí)Φ截毨W(xué)生的自尊心.

為了提高學(xué)生資助管理工作的效率和效果，國內(nèi)一些專家學(xué)者從不同角度對貧困生認(rèn)定工作進(jìn)行了研究，以期實現(xiàn)對貧困生的精準(zhǔn)資助.李靜以高校助學(xué)金等級評定工作為研究對象，將采用裝袋（Bagging）集成方法的隨機(jī)森林模型應(yīng)用于助學(xué)金等級預(yù)測中，并與分類回歸樹（CART）算法進(jìn)行比較［2].謝穎等將HMM的Baum?welch算法應(yīng)用到高校家庭貧困生認(rèn)定過程中，將結(jié)果與直接計算方法及通過實際調(diào)研得到的結(jié)論進(jìn)行對比，通過對比得到HMM算法在解決此類問題中存在的局限性，同時給出了提高預(yù)測準(zhǔn)確性的新模型建立的建議［3].蔡炫在高校貧困生認(rèn)定工作中引入家庭人力資源這個概念，有助于更好地分析和判斷學(xué)生家庭經(jīng)濟(jì)情況，通過對家庭人力資源數(shù)量、類別和素質(zhì)等方面進(jìn)行分析，探索其運用于高校貧困生認(rèn)定工作中的方法［4].苗興國認(rèn)為，要想真正解決貧困生認(rèn)定難問題，必須明確家庭經(jīng)濟(jì)因素在這一認(rèn)定體系中的基礎(chǔ)性作用，以及怎樣通過各種方式最真實地反映申請貧困學(xué)生的家庭經(jīng)濟(jì)因素［5].在目前的高校助學(xué)金評定模型中，主要是通過對學(xué)生日常消費數(shù)據(jù)和圖書館借閱數(shù)據(jù)等進(jìn)行分析，采用機(jī)器學(xué)習(xí)技術(shù)中的某一個模型進(jìn)行分析和預(yù)測，缺乏模型對比分析，效果較差.貧困生是由學(xué)生家庭經(jīng)濟(jì)狀況決定的，因此對貧困家庭的識別是貧困生等級評定的前提工作.文獻(xiàn)［4]和文獻(xiàn)［5]從家庭的角度出發(fā)，重點考慮家庭人力資源和家庭經(jīng)濟(jì)狀況兩個指標(biāo)對貧困生認(rèn)定的影響，但沒有給出具體的量化標(biāo)準(zhǔn)和評定方法.

本文在分析目前高校貧困生評定工作的基礎(chǔ)上，結(jié)合高校精準(zhǔn)資助研究成果，重點考慮學(xué)生家庭狀況與貧困的關(guān)系，以哥斯達(dá)黎加家庭貧困水平預(yù)測數(shù)據(jù)集為分析對象，進(jìn)行探索性數(shù)據(jù)分析和處理，以機(jī)器學(xué)習(xí)方法為技術(shù)支撐，采用隨機(jī)森林、樸素貝葉斯、邏輯回歸等模型進(jìn)行對比分析，構(gòu)建精準(zhǔn)識別貧困家庭模型.將機(jī)器學(xué)習(xí)技術(shù)融入貧困生認(rèn)定工作中，可以減少主觀經(jīng)驗判斷，實現(xiàn)精準(zhǔn)資助，確保貧困學(xué)生在政策資助下，順利完成學(xué)業(yè)，阻斷貧困的代際傳遞.

1 機(jī)器學(xué)習(xí)相關(guān)理論

機(jī)器學(xué)習(xí)主要指計算機(jī)通過模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，獲取相應(yīng)知識和技能.學(xué)習(xí)過程是借助數(shù)據(jù)模型，對輸入的訓(xùn)練數(shù)據(jù)進(jìn)行分析和歸類，找出數(shù)據(jù)之間的規(guī)律，作為決策函數(shù)的參數(shù)和權(quán)重，并用該模型函數(shù)對輸入的未知數(shù)據(jù)進(jìn)行預(yù)測和標(biāo)記，常見的機(jī)器學(xué)習(xí)模型有決策樹、支持向量機(jī)、樸素貝葉斯和K近鄰等算法模型［6].在貧困生評定等級工作中，機(jī)器學(xué)習(xí)模型通過對貧困家庭數(shù)據(jù)的學(xué)習(xí)，對貧困等級進(jìn)行預(yù)測.

1.1 支持向量機(jī)

支持向量機(jī)是機(jī)器學(xué)習(xí)模型中的一種二分類模型，根據(jù)間隔最大化的原則，在訓(xùn)練集的各類樣本點中，尋找一個超平面對各類樣本進(jìn)行分割，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題進(jìn)行求解.

分類決策函數(shù)：

其中，sign(?)為階躍函數(shù)：

1.2 樸素貝葉斯

樸素貝葉斯分類是貝葉斯算法中最簡單的一種分類算法，對于待分類項，只需求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的最大概率.樸素貝葉斯模型預(yù)先假設(shè)各屬性之間互相獨立，但在實際應(yīng)用中，分類屬性之間存在一定的相關(guān)性，影響分類效果.

樸素貝葉斯計算公式：

1.3 K近鄰

K近鄰是一種經(jīng)典的數(shù)據(jù)挖掘分類算法，通過測量不同樣本之間的距離，對樣本進(jìn)行分類.大體思想是計算給定樣本與其他樣本之間的距離，選出距離該樣本最近的K個鄰近值，如果這K個樣本大多屬于某個類別，則該樣本同屬于這一類別.根據(jù)K近鄰算法，對給定樣本x找出訓(xùn)練集中與樣本x最近的全部K個樣本，記作Nk(x)，K近鄰計算公式：

2 數(shù)據(jù)來源與分析

2.1 數(shù)據(jù)集介紹

本文研究數(shù)據(jù)來源于Kaggle網(wǎng)站上的哥斯達(dá)黎加家庭貧困水平預(yù)測數(shù)據(jù)集.根據(jù)模型需要，將數(shù)據(jù)集劃分為訓(xùn)練集和測試集兩個部分.測試集共有7334個樣本數(shù)據(jù)，訓(xùn)練集共有2973個樣本數(shù)據(jù)，每個樣本數(shù)據(jù)已經(jīng)標(biāo)注好貧困等級.家庭貧困程度分為四個等級，分別用數(shù)字1、2、3、4表示，1表示極度貧困（extreme poverty），2表示中等貧困（moderate poverty），3表示一般貧困（vulnerablehouseholds），4表示不貧困（non vulnerable households）.數(shù)據(jù)集中共有142個字段，部分字段和變量的含義如表1所示.

表1 數(shù)據(jù)集中部分屬性列表

該數(shù)據(jù)采用多個指標(biāo)和維度對家庭貧困等級進(jìn)行描述，包括家庭中男性和女性的數(shù)量、勞動力和非勞動力的統(tǒng)計、家庭成員的受教育水平、房屋面積和臥室數(shù)量的統(tǒng)計、房屋貸款情況統(tǒng)計、家庭成員健康情況統(tǒng)計、生活費用（供水、供電等）統(tǒng)計等142個屬性，這些屬性可以全面地對一個家庭的經(jīng)濟(jì)狀況進(jìn)行描述和確定.

2.2 數(shù)據(jù)集分析

哥斯達(dá)黎加家庭貧困水平預(yù)測數(shù)據(jù)集中，訓(xùn)練集包含2973個貧困家庭樣本，如圖1所示.貧困等級為1的家庭數(shù)為222，貧困等級為2的家庭數(shù)為442，貧困等級為3的家庭數(shù)為355，貧困等級為4的家庭數(shù)為1954.

在現(xiàn)階段，每個家庭的貧困程度不同，極度貧困家庭數(shù)量相對較少.圖1顯示，貧困等級是4的樣本數(shù)與等級是1的樣本數(shù)的比例接近9∶1，表明訓(xùn)練集的不同類別樣本數(shù)量是不均衡的.樣本不平衡率越大，數(shù)據(jù)集中類別不均衡程度越嚴(yán)重.傳統(tǒng)的分類方法偏向于多數(shù)的類，對于較少的類，執(zhí)行的效果往往較差，在使用機(jī)器學(xué)習(xí)經(jīng)典模型時，需要對訓(xùn)練集的數(shù)據(jù)進(jìn)行處理，提高模型預(yù)測準(zhǔn)確度.

圖1 訓(xùn)練集貧困等級數(shù)據(jù)分布

對訓(xùn)練集中的數(shù)據(jù)進(jìn)一步探索變量和貧困等級之間的關(guān)系.從圖2和圖3中，可以發(fā)現(xiàn)教育程度與家庭貧困情況存在直接的關(guān)系.家庭成員受教育程度越高，家庭貧困狀況越良好；家庭成員受教育平均程度越高，家庭貧困狀況越良好.

圖2 最高學(xué)歷與貧困等級的關(guān)系

圖3 平均受教育程度與貧困等級的關(guān)系

探索女戶主以及女戶主家庭平均教育水平與貧困等級的關(guān)系，如圖4和圖5所示.從圖中可以發(fā)現(xiàn)，戶主是女性的家庭似乎更容易出現(xiàn)嚴(yán)重的貧困.從家庭教育水平的角度來看，女戶主家庭都具有較高的教育水平.

圖4 女戶主家庭與貧困等級的關(guān)系

圖5 女戶主家庭平均教育水平與貧困等級的關(guān)系

受篇幅限制，文章僅對訓(xùn)練集中的部分字段變量進(jìn)行探索性分析，這些變量與貧困等級確定高度相關(guān).這些變量是否真正有用，將通過后續(xù)模型進(jìn)行驗證分析.

3 模型結(jié)果分析

實驗采用的環(huán)境為：

軟件環(huán)境：Windows7下的Tensor Flow 1.11.0版本；

硬件環(huán)境：Inteli5?4590 CPU 3.30 GHz；

內(nèi)存：8.0 GB.

為了驗證本文模型的有效性，采用通過精確率（Precision）、召回率（Recall）、F1值和精確率（Accuracy）對模型評價.

其中：Tp表示真正例，F(xiàn)p表示假正例，Tn表示真負(fù)例，F(xiàn)n表示假負(fù)例.

表2中的五種算法分別為，KNN（K近鄰算法）、LR（邏輯回歸算法）、NB（樸素貝葉斯算法）、SVC（支持向量機(jī)算法）、RF（隨機(jī)森林算法）.

表2 五種分類算法的檢測結(jié)果

五種分類算法取得檢測結(jié)果不相同.隨機(jī)森林算法和K近鄰算法準(zhǔn)確度較高，分別達(dá)到89%和76%；邏輯回歸和樸素貝葉斯算法準(zhǔn)確度較低，分別為55%和47%.

不同分類算法對不同貧困等級的精確度、召回值和F1值都不相同.其中，隨機(jī)森林算法對extreme poverty等級數(shù)據(jù)，精確度最高；支持向量機(jī)算法對non vulnerable households等級數(shù)據(jù)，召回值最高，邏輯回歸算法對moder?ate poverty等級數(shù)據(jù)，精確度最低，僅為24%.

綜合表2中的數(shù)據(jù)，隨機(jī)森林算法綜合效果最好，樸素貝葉斯算法綜合效果最差.

4 結(jié)論

本文利用機(jī)器學(xué)習(xí)的方法，通過對貧困家庭數(shù)據(jù)的分析和學(xué)習(xí)，確定學(xué)生的家庭經(jīng)濟(jì)狀況和貧困等級，避免申請學(xué)生當(dāng)眾“比慘”現(xiàn)象的發(fā)生，有效保護(hù)了貧困學(xué)生的隱私.分別使用邏輯回歸、支持向量機(jī)、K近鄰、決策樹、隨機(jī)森林等機(jī)器學(xué)習(xí)算法進(jìn)行貧困家庭識別.實驗結(jié)果表明，集成機(jī)器學(xué)習(xí)算法性能優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法，隨機(jī)森林算法的預(yù)測性能最佳，平均準(zhǔn)確率為89%.本文研究結(jié)果可以作為高校貧困生評定工作中的一種重要參考和支撐.在對學(xué)生家庭經(jīng)濟(jì)狀況數(shù)據(jù)的分析和預(yù)測過程中，本文的研究結(jié)果可以作為貧困生等級認(rèn)定的一種參考，進(jìn)而實現(xiàn)精準(zhǔn)認(rèn)定貧困生，實現(xiàn)以生為本的差異化精準(zhǔn)資助新模式，提高高校資助管理工作的水平和效果.