[发明专利]一种基于Bagging_BP算法的在线学习行为分析方法

说明书

本发明属于数据分析技术领域，具体涉及一种基于Bagging_BP算法的在线学习行为分析方法；该方法利用学习者在网络学习平台的学习数据，采用一种Bagging集成学习方法集成BP神经网络算法，通过学习者的学习行为训练算法，通过训练后的算法对新的学习者进行预测，进一步的通过预测的结果反馈给学习者对学习者的学习行为进行改进并提升学习者的学习效率和成绩；本发明提升了在线学习行为分析的准确率和效率，为学习者提供更加有效预测和反馈。

技术领域

本发明涉及数据分析领域，具体涉及一种基于Bagging_BP算法的在线学习行为分析方法。

背景技术

随着在线学习用户数量增多，学习效果收到愈来愈多师生的关注，然而大量的在线学习行为数据被积累，如何利用数据挖掘技术分析积累的大数据，从而为教学决策和学习优化提供服务，已成为新的研究重点。因此针对大规模的网络在线学习者，分析在线学习的行为特征，自动监督学习者的学习行为，评价其学习效果并将结果反馈给学习者，激发学习者的学习主动性，用以指导学习者进行有效的自主学习，是高校教学工作者和学习者关心的热点问题，也成为计算机智能信息处理的重要内容。但是现有对在线学习行为分析的方法都是使用单个算法进行分析，这样在数据过大的情况下会存在预测准确率低、预测效率低等问题，因此使用集成的学习方法能够更加高效的完成对在线学习行为数据的分析，给学习者反馈更高质量的预测信息。

发明内容

针对上述存在的问题，本发明提出一种基于Bagging_BP算法的在线学习行为分析方法，以提高预测准确率和预测效率。

为实现上述目的，本发明具体技术方案如下：一种基于Bagging_BP算法的在线学习行为分析方法，包括以下步骤：

1)从在线学习平台采集学习者的学习行为数据和学习成绩数据，其中，学习行为数据包括登录次数UN、停留时间ST、已浏览的媒体类型数MN、提交作业的次数SN、参与检测次数TN、浏览资源次数RN、下载资源次数DN、讨论发言次数TN和在线交流时间CN；学习成绩数据为在线学习平台上学习者的测试考核成绩，学习成绩的等级分为优秀EL、良好GL、中等ML、偏差PL；

2)构建学习行为特征向量S、学习成绩特征向量L和学习行为数据集X，其中，学习行为特征向量表示为：S＝(UN,ST,MN,SN,TN,RN,DN,TN,CN)；学习成绩特征向量表示为：L＝(EL,GL,ML,PL)；学习行为数据集X由学习行为特征向量组成，表示为：X＝{S₁,S₂,…,S_n}；

3)对学习行为数据集X中的特征值进行归一化处理，即分别对学习行为特征值UN、ST、MN、SN、TN、RN、DN、TN、CN进行归一化处理，归一化处理的公式如下：

式中，x_i为学习行数据集X中的特征值，x_max、x_min分别为该特征值的最大值和最小值，r_i为该特征值的归一化结果；

4)用Bagging集成学习方法对学习行为数据集X进行自助采样，构建自助采样集Y；

5)对自助采样集Y按照9:1的比例分为训练数据集TR和验证数据集TE；

6)用Adam方法通过训练数据集TR对BP神经网络分类器进行分类训练；

7)预测学习成绩，即利用每一组训练好的BP神经网络对验证数据集TE进行验证，得到验证数据集TE中学习行为数据对应的学习成绩初始预测值h；

8)将初始预测值h按照多数投票法的结合策略进行结合，得到最终预测值H，其中，结合公式如下：

式中，表示为H取的最大值；