校园卡消费记录用于辅助学生管理工作的研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.3.1 存在的主要问题 | 第13-14页 |
| 1.4 研究的定位与意义 | 第14-15页 |
| 1.4.1 研究的定位 | 第14页 |
| 1.4.2 研究的意义 | 第14-15页 |
| 1.5 本文研究的主要内容 | 第15-16页 |
| 1.6 本文的主要工作和论文结构 | 第16-17页 |
| 2 相关技术 | 第17-27页 |
| 2.1 EDM | 第17-19页 |
| 2.1.1 概述 | 第17-18页 |
| 2.1.2 基本研究流程 | 第18-19页 |
| 2.2 数据挖掘技术 | 第19-22页 |
| 2.2.1 朴素贝叶斯分类模型 | 第20-21页 |
| 2.2.2 其他数据挖掘算法简述 | 第21-22页 |
| 2.3 特征筛选 | 第22-24页 |
| 2.3.1 主成分分析 | 第22-23页 |
| 2.3.2 Boruta特征选择算法 | 第23页 |
| 2.3.3 隐因子模型 | 第23-24页 |
| 2.4 评价指标 | 第24-26页 |
| 2.4.1 相关系数 | 第24-26页 |
| 2.4.2 预测效果评价指标 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 3 基于校园卡消费记录的贫困生识别 | 第27-47页 |
| 3.1 贫困生识别问题 | 第27页 |
| 3.2 数据预处理 | 第27-30页 |
| 3.2.1 数据清洗 | 第28-29页 |
| 3.2.2 数据分类 | 第29页 |
| 3.2.3 数据选择 | 第29页 |
| 3.2.4 数据集成 | 第29-30页 |
| 3.3 可视化分析 | 第30-35页 |
| 3.3.1 统计结果分析 | 第33-34页 |
| 3.3.2 学生第一次抽样调查 | 第34-35页 |
| 3.4 评分算法设计 | 第35-38页 |
| 3.4.1 评分结果分析 | 第37-38页 |
| 3.4.2 小结 | 第38页 |
| 3.5 基于机器学习算法的消费等级判断 | 第38-45页 |
| 3.5.1 校园卡消费等级的人工判断 | 第38-39页 |
| 3.5.2 用于对比的模型 | 第39-44页 |
| 3.5.3 对比结果 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 4 基于校园卡消费记录的学业风险识别 | 第47-65页 |
| 4.1 学业风险识别问题 | 第47-48页 |
| 4.1.1 研究思路 | 第47-48页 |
| 4.2 数据预处理 | 第48-51页 |
| 4.2.1 校园卡数据预处理 | 第48-50页 |
| 4.2.2 成绩预处理 | 第50-51页 |
| 4.3 作息与成绩的关系分析 | 第51-53页 |
| 4.4 特征提取 | 第53-61页 |
| 4.4.1 奖学金与作息相关性分析 | 第54页 |
| 4.4.2 主成分分析 | 第54-56页 |
| 4.4.3 Boruta特征降维 | 第56-59页 |
| 4.4.4 隐因子分析 | 第59-61页 |
| 4.5 学业风险识别 | 第61-62页 |
| 4.6 本章小结 | 第62-65页 |
| 5 总结与展望 | 第65-69页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 后续工作及展望 | 第66-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75页 |
| A.作者在攻读研究生学位期间发表的论文 | 第75页 |
| B.作者在攻读学位期间参加的科研项目目录 | 第75页 |
| C.作者在攻读学位期间发表的专利目录 | 第75页 |
