基于S V M的幼兒成長測評應用

陳卓賀敬

（青島科技大學信息科學技術學院，山東 青島266061）

中國的幼兒教育服務著全世界最龐大的學齡前兒童，由于地域，文化，經濟等差異，教師數量，質量，資源配置，公辦，私營不同，城鄉差距等，幼兒發展的情況幾乎天差地別。幼兒教育對個人乃至社會發展有著重要的、基礎性的、不可或缺的重大意義。如何對幼兒的成長和教育情況予以科學的測評就顯得極具意義。隨著計算機技術和軟件技術的發展，通過建立數據模型，運用一定的算法來分析幼兒成長的各項數據，做出科學合理的測試結果成為可能。

1 支持向量機（Support Vector Machine，SVM）技術

支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力的一種機器學習方法[1]。

支持向量機方法是從線性可分情況下的最優分類提出的。即系統產生一個超平面并移動它，使得不同類別的樣本點正好處在該超平面的兩側,這樣得到的平面為最優超平面，從理論上實現了線性可分數據的最優分類問題[2]。如下圖1所示：即L為把x型和o形沒有錯誤地分開的分類線,分別為過各類樣本中離分類線最近點、且平行于分類線的直線,和之間的距離做兩類的分類間隔。所謂最優分類線就是要求分類線不但能將兩類無錯誤地分開,而且要使兩類的分類間隔最大[3]。前者是保證經驗風險最小，使分類空隙最大，實際上就是使推廣性的界中的置信范圍最小,從而使真實風險最小。推廣到高維空間，最優分類線就成為最優分類平面。對于線性不可分情況，通過指定常數C，控制對樣本懲罰的程度，實現在錯分樣本的比例與算法復雜度之間的折衷。

圖1 最優分類示意圖

SVM支持向量機是一項成熟的機器學習方法，在JAVA中我們可以直接調用相應的類。我們需要先建立幼兒測試用的矩陣數據結構，然后據此建立樣本數據。

1）建立應用于幼兒成長測評系統的矩陣，樣本標簽，樣本數據。樣本數據將作為訓練集在程序中使用。

（1）樣本標簽，我們大致將幼兒測試結果分為A出色，B良好，C預警，D干預四類，作為樣本標簽使用，A出色：4分，B良好：3分，C預警：2分，D 干預，1分。

（2）樣本數據，成長測試指標分類見下表（性別男表示為1，女表示為 2）：

表1 樣本指標

2）通過對學齡前幼兒進行大批量的測試建立樣本數據。樣本該數據越準確，樣本數量越多，得到的效果也就越準確。我們建立樣本數據如下表2。

表2 樣本數據

3）分類模型及參數。被評價數據是由4個等級的數據構成，因此該分類屬于多分類問題，考慮到分類的樣式不多，本文選用一對一策略，構造六個支持向量分類器，每個分類器只對兩類進行分類，模型簡單且具有較好的分類能力。

圖2 分類模型示意圖

SVM的核函數采用性能比較好的徑向基核函數：

k(||x-xc||)=exp{-||x-xc||^2/(2*σ^2)

其中xc為核函數中心，σ為函數的寬度參數，控制了函數的徑向作用圍。

2 測試程序及結果

SVM技術在小樣本，非線性，高維度下模式識別方面有著獨有的優勢，在科研和商業上都有著廣泛的應用，很多流行編程軟件都開發了相應的工具包。借助這些工具包我們可以直接調用相應的函數，而不必關心它們是如何實現的。

隨機取5組數據作測試樣本，得到測試結果見下表

表3 測試結果

從表3可以看出，程序測試結果可以保持不錯的一致性，當然由于這里我們訓練樣本有限，誤差率還比較高。但是隨著訓練樣本的數量增加，優化后的SVM模型準確性會進一步提高，具有廣泛的應用前景。

我們通過對幼兒成長中的各項評價指標進行量化，建立一種基于SVM的模型，應用在實際系統中，取得了比較好的效果，省去了人工評價過程中的不客觀因素，節省了人力成本，擴展了SVM的應用范圍。

［1］何婕.SVM及其在車牌字符識別中的運用[D].四川大學,2005.

［2］王靜.基于GA-SVM的高職學生綜合素質評價模型[J].廣西教育,2014,11:55-57.

［3］朱海林.基于SVM多分類的教學質量評價研究[D].山東師范大學,2009.