《基于二叉树支持向量机的高职高专院校教学评价研究》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

基于二叉树支持向量机的高职高专院校教学评价研究

范文

姜赛达

摘要：为提高高职高专院校教学质量的评价精度和效率，结合高职高专院校教学过程和评价体系，提出基于欧氏距离的二又树支持向量机（Distance binary tree SVM，简称DBT-SVM）算法的高职高专院校教学质量评价模型。该模型中的算法结合了聚类中的关于类距离的概念，是二叉树支持向量机的改进算法，使最先分离出的类在上层节点处分开。经过实例测试，该算法相比其他算法在识别率和分类训练时间都有所提升。该模型可以满足高职高专院校教学质量的评价要求。

关键词：教学质量；评价模型；支持向量机；二叉树

中图分类号：TP301.6 文献标识码：A 文章编号：1009-3044（2018）24-0104-03

1 引言

高职高专院校教学质量不仅是高职高专院校教育质量的重要组成部分，而且影响高职高专院校培养人才的质量。在高职高专院校培养人才的过程中，教学过程起着举足轻重的作用。而教学质量评价直接影响着教师的教学成效和学生学习效果的评价，同时对高职高专院校所进行的多样性的教育教学课程改革的成效性的评定起着重要的指标作用[1]，因此建立一个快速准确有效客观的教学质量评价体系模型是非常有必要的和具有重要意义的[2]。在建立教学质量评价模型的过程中，有很多因素影响着评价模型，其中不同的因素影响的程度不一样。这就需要我们在建立评价模型的过程中不仅要对评价模型组成的各个要素细致选择，而且要对它们的组合方式进行综合考量。

针对高职高专院校教学质量评价模型的构建，依据各自评价指标的侧重不同所采用的理论模型也各不相同。其中最有成效和突出表现的是采用神经网络方法构建的教学质量评价模型[3]。在神经网络中，由于采用了自组织学习拟合这种方法，因此这种方法采用的评价指标非常贴合高职高专院校教学质量的评价指标。同时神经网络方法在处理信息上具有多种优点，在并行处理以及容错程度上具有明显的优势。但是由于神经网络自身方法上的局限性，在局部最小点容易出现问题等，因此在实际使用时，经常出现评价结果和实际结果出现较大的差距，并且运行时间比较长等问题。除了神经网络方法外，还有采用了专家系统、灰色理论以及线性回归等多种方法。这些方法在实际使用中有各种各样的缺陷[4]。

为解决以上的缺陷，结合高职院校教育和课程教学的特点和评价方法，提出了基于DBT-SVM多类别分类算法的高职院校教学效果评价方法。

2二叉树支持向量机

2.1二叉树支持向量机

支持向量机（SVM）最开始的设计是面向二分类问题，而高职高专院校教学质量评价是多类分类问题，所以采用将多个二类分类器用不同的方式进行组合的方法来解决多类分类问题。但是这种方法会由于样本类别数目的增多而处理时间急剧上升，同时也会因为存在不可分的区域从而降低分类的准确度，同时也降低了分类的效率。

为了克服了以上算法的缺陷，提出基于二又树的SVM多类分类算法（Binary Tree SVM，简称BT-SVM），通过构造二叉树的方式比较类别间的类间距离，就是在分类过程中重复地将所有类别分成两个类，然后将每个类再分成两个类，直到分类结束[5]。与上述算法相比，一个是所有区域都可分类，另一个是处理时间减少。

但是在实际情况当中，由于样本的数量不大，怎样使二叉树的结构比较合理和分离出节点，而又尽可能地达到完全的状态，从而提高算法的性能。在BT-SVM算法的基础上，基于欧氏距离提出改进的二叉树支持向量机（Distance Binary Tree SVM，简称DBT-SVM）多类分类算法。该算法是二叉树支持向量机的改进算法，结合了聚类中的类距离概念使两组样本最大化。同时，结合近似完全二叉树的概念使得第一个分离的类在上层节点处分离。

2.2算法描述

3基于二叉树支持向量机的高职高专院校教学质量评价模型

3.1构建高职高专院校教学质量评价体系

針对高职高专院校教学质量评价的评价体系有多种理论和方法，每种理论和方法都有各自的侧重点。本文结合了多种方法的优点提出以教师和学生为两大主体，两大主体采用多个指标。具体指标如图1所示。

3.2基于二叉树支持向量机的高职高专院校教学质量评价工作步骤

结合高职高专院校的教学过程和评价指标体系，基于改进的二叉树支持向量机，将多个二叉树支持向量机分类器组合在一起，从而得到高职高专院校教学质量评价工作流程，如图2所示。

4教学质量评价的测试实验

4.1数据来源

选择商丘职业技术学院的课堂教学效果作为研究对象，根据教学质量评价指标搜集样本数据，由专家进行教学质量评估并结合具体实际得到教学质量等级值。由此得到150个样本。其中，x1表示代课次数，x2表示批改作业次数，依次类推，x13表示讲课的条理性、层次性，y表示教学质量。部分数据如表1所示。

4.2结果与分析

分别将SVM、BT-SVM和DBT-SVM这三种算法对实验数据集进行分类测试，分别得到这三个算法的准确率结果。实验结果显示，在预测准确率上，DBT-SVM算法要高于SVM和BT-SVM算法。DBT-SVM算法避免了在BT-SVM算法中由于偏二叉树中结构中的错误累计而造成的现象，同时避免了SVM算法中因为存在不可分的区域，从而降低分类的准确度。DBT-SVM算法结合了聚类中的关于类距离的概念，以及近似完全二叉树的概念使得最先分离出的类在上层节点处分开，从而提高划分准确度。实验结果如表2所示。

为了统计实验中这三种算法的时间消耗，分别用这三种算法对数据集进行10次实验，取其平均值得到结果。如表3所示。

实验结果显示DBT-SVM算法相比SVM算法在时间上优势比较明显，但是跟BT-SVM算法相比在时间上相比并不明显。主要是因为实验样本数据的数量和类别比较少。有理由相信，随着数据量和类别的增加，在时间效率上，DBT-SVM算法跟BT-SVM算法相比会有较为明显的优势。

5 结论

高职高专院校教学质量不仅影响着高职高专院校教育质量，而且影响高职高专院校培养人才的质量。为提高高职高专院校教学质量的评价精度和效率，结合高职高专院校教学过程和评价体系，本文提出了基于DBT-SVM多类别分类算法的高职院校教学效果评价方法。该模型基于欧氏距离的二叉树支持向量机多类分类算法，是二叉树支持向量机的改进算法。该算法结合了聚类中的关于类距离的概念，同时结合近似完全二叉树的概念使得最先分离出的类在上层节点处分开。经过实例测试，该算法相比其他算法在识别率和分类训练时间都有所提升。该模型可以满足高职高专院校教学质量的评价要求。

参考文献：

[1] 高等教育大众化条件下教学质量评价体系研究现状[J]. 刘强，戴起勋. 江苏大学学报（高教研究版），2003（2）.

[2] 关于高职高专院校教学质量管理与监控体系建设的探析[J]. 李巧林，郑传宁，王章豹. 合肥工业大学学报（社会科学版），2001（3）.

[3] 汪旭晖，黄飞华. 基于BP神经网络的教学质量评价模型及应用[J]. 高等工程教育研究，2007（5）

[4] 刘伟，孙林. 基于支持向量机的课堂教学质量评价[J]. 合肥工业大学学报（自然科学版），2010，33（7）：968-971.

[5] 宋召青，陈垚.基于支持向量机的多类分类算法综述[J]. 海军航空工程学院学报，2015（5）.

【通联编辑：王力】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。