我國大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型比較研究

石 峰 胡 燕 戴冬陽

（1.湖南工程學(xué)院管理學(xué)院，湖南 湘潭 411104；2.中南大學(xué)法學(xué)院，湖南 長沙 410012；3.中國人民解放軍陸軍勤務(wù)學(xué)院 國防經(jīng)濟(jì)系，重慶 401331）

教育部公布的數(shù)據(jù)顯示，2020年我國高校畢業(yè)生高達(dá)847萬。在新冠疫情影響下，大學(xué)生就業(yè)形勢(shì)更加嚴(yán)峻。鼓勵(lì)大學(xué)生自主創(chuàng)業(yè)是擴(kuò)大就業(yè)的重要渠道。創(chuàng)業(yè)不僅能創(chuàng)造就業(yè)機(jī)會(huì)，也是實(shí)現(xiàn)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)的重要途徑。因此，構(gòu)建大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型，系統(tǒng)分析影響大學(xué)生創(chuàng)業(yè)意愿的各種因素，有利于科學(xué)把握大學(xué)生的創(chuàng)業(yè)動(dòng)機(jī)和創(chuàng)業(yè)行為。同時(shí)對(duì)于激發(fā)大學(xué)生創(chuàng)新創(chuàng)業(yè)精神和推動(dòng)形成“大眾創(chuàng)業(yè)，萬眾創(chuàng)新”的創(chuàng)新創(chuàng)業(yè)人才培養(yǎng)機(jī)制具有重要現(xiàn)實(shí)意義。

創(chuàng)業(yè)意愿是個(gè)人是否從事創(chuàng)業(yè)活動(dòng)的態(tài)度和想法。創(chuàng)業(yè)意愿是一種有意識(shí)的精神狀態(tài)，表明潛在創(chuàng)業(yè)者為從事創(chuàng)業(yè)活動(dòng)而做出的努力。關(guān)于大學(xué)生創(chuàng)業(yè)意愿的研究，國內(nèi)外主要基于Shapero和Sokol的創(chuàng)業(yè)事件模型（SEE）、經(jīng)Bird開創(chuàng)和Davidsson發(fā)展的心理經(jīng)濟(jì)模型（MEP）以及Ajzen的計(jì)劃行為理論模型（TPB）。[1]由此將大學(xué)生創(chuàng)業(yè)意愿的影響因素概括為內(nèi)在因素和外在因素。內(nèi)在因素主要是創(chuàng)業(yè)者的個(gè)體特征、心理特質(zhì)和認(rèn)知，外在因素主要是指創(chuàng)業(yè)者所處的特定環(huán)境因素。國內(nèi)外學(xué)者普遍認(rèn)為，大學(xué)生創(chuàng)業(yè)意愿是內(nèi)在和外在因素共同作用的結(jié)果。Duong（2020）等針對(duì)越南高校學(xué)生創(chuàng)業(yè)意愿的調(diào)查數(shù)據(jù)，運(yùn)用結(jié)構(gòu)方程模型實(shí)證研究表明：大學(xué)生個(gè)人特征和創(chuàng)業(yè)環(huán)境對(duì)創(chuàng)業(yè)意愿具有顯著正向影響。[2]Fragoso（2020）基于計(jì)劃行為理論框架對(duì)巴西和葡萄牙的大學(xué)生創(chuàng)業(yè)意愿進(jìn)行實(shí)證檢驗(yàn)發(fā)現(xiàn)：人格特質(zhì)、自我效能感和創(chuàng)業(yè)態(tài)度是創(chuàng)業(yè)意愿的重要影響因素。[3]Mahfud（2020）根據(jù)印度尼西亞的理工類專業(yè)大學(xué)生調(diào)查數(shù)據(jù)，使用結(jié)構(gòu)方程模型分析發(fā)現(xiàn)：個(gè)人認(rèn)知、社會(huì)資本和心理資本共同影響大學(xué)生的創(chuàng)業(yè)意愿。[4]Sesen（2020）基于土耳其356名大學(xué)生的調(diào)查數(shù)據(jù)，運(yùn)用回歸分析的實(shí)證結(jié)果表明：個(gè)人自我效能和家庭背景對(duì)大學(xué)生創(chuàng)業(yè)意愿具有顯著影響。[5]Ozaralli（2016）對(duì)美國和土耳其大學(xué)生創(chuàng)業(yè)意愿的比較研究表明，人格特質(zhì)、個(gè)人教育背景和創(chuàng)業(yè)環(huán)境對(duì)創(chuàng)業(yè)意愿的影響存在顯著地區(qū)差異。[6]馬佚群（2020）等運(yùn)用回歸分析認(rèn)為，貧困經(jīng)歷和創(chuàng)業(yè)動(dòng)機(jī)對(duì)創(chuàng)業(yè)意愿具有顯著影響。[7]國內(nèi)大多運(yùn)用相關(guān)分析、多元回歸和邏輯回歸的方法探討人口統(tǒng)計(jì)學(xué)特征、財(cái)富稟賦、人力資本、社會(huì)資本、創(chuàng)業(yè)政策等因素對(duì)大學(xué)生創(chuàng)業(yè)意愿的影響。[8-10]

綜上，已有研究都是從內(nèi)在或外在因素對(duì)大學(xué)生創(chuàng)業(yè)意愿的影響進(jìn)行理論分析與實(shí)證檢驗(yàn)，運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的相關(guān)研究還很難見到。本文從影響大學(xué)生創(chuàng)業(yè)意愿的諸多因素出發(fā)，同時(shí)考慮影響大學(xué)生創(chuàng)業(yè)意愿的內(nèi)外在因素，構(gòu)建多種算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型，并對(duì)識(shí)別效果進(jìn)行對(duì)比，旨在找出一種更有效識(shí)別和預(yù)測大學(xué)生創(chuàng)業(yè)意愿的算法模型，為大學(xué)生創(chuàng)業(yè)準(zhǔn)備和創(chuàng)業(yè)實(shí)踐提供幫助和政策支持。與大多研究不同的是，本文的創(chuàng)業(yè)意愿不是簡單的二進(jìn)制變量，而是具有六個(gè)類別的分類變量。因此，本文構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型是一個(gè)多類別的識(shí)別模型。

二、數(shù)據(jù)、變量與模型

（一）數(shù)據(jù)與變量

本文構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的數(shù)據(jù)來源于2015年中國綜合社會(huì)調(diào)查（CGSS）。本文首先根據(jù)該調(diào)查問卷中的題項(xiàng)“您目前最高教育程度的狀態(tài)”對(duì)數(shù)據(jù)進(jìn)行篩選，其中，“正在讀”的大學(xué)生樣本占總體2.6%，“畢業(yè)”的大學(xué)生樣本占總體66%，“其它”的大學(xué)生樣本占總體31.4%。由于“畢業(yè)”的大學(xué)生樣本占總體的絕大多數(shù)，因此，本文僅將已畢業(yè)的大學(xué)生作為考察樣本。

本文根據(jù)2015年中國綜合社會(huì)調(diào)查（CGSS）數(shù)據(jù)，建立大學(xué)生創(chuàng)業(yè)意愿識(shí)別指標(biāo)體系（見圖1所示），由此構(gòu)建大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型。

圖1 大學(xué)生創(chuàng)業(yè)意愿識(shí)別指標(biāo)體系

由圖1看到，大學(xué)生創(chuàng)業(yè)意愿識(shí)別指標(biāo)體系由個(gè)人認(rèn)知能力、個(gè)人特征、創(chuàng)業(yè)環(huán)境、社會(huì)信任和資源稟賦等五個(gè)維度構(gòu)成。其中，個(gè)人認(rèn)知能力包括說英語的能力、聽英語的能力、說普通話的能力和聽普通話的能力；個(gè)人特征包括性別和戶籍類型；創(chuàng)業(yè)環(huán)境主要包括政府工作表現(xiàn)和社會(huì)公共服務(wù)，其中政府工作表現(xiàn)由維護(hù)公平、秉公辦事、環(huán)境保護(hù)和公平執(zhí)法等四個(gè)維度衡量，社會(huì)公共服務(wù)由公共教育服務(wù)、基本住房保障服務(wù)、醫(yī)療衛(wèi)生公共服務(wù)和社會(huì)管理公共服務(wù)衡量；社會(huì)信任由“總的來說，您同不同意在這個(gè)社會(huì)上，絕大多數(shù)人都是可以信任的”，即社會(huì)信任總體評(píng)價(jià)衡量；資源稟賦則由家庭經(jīng)濟(jì)狀況和父親的教育程度衡量。

因此，本文納入大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的變量如下：

1.目標(biāo)變量。本文的目標(biāo)變量是創(chuàng)業(yè)意愿（busi），表示為“如果有機(jī)會(huì)和資源，您是否會(huì)去創(chuàng)業(yè)？”是多分類變量，其中，變量取值為“非常可能”“很可能”“有可能”“說不清可不可能”“不太可能”“很不可能”“非常不可能”等7個(gè)類別。由于選填“非常不可能”只有少量樣本，故刪除該類樣本，由此本文的創(chuàng)業(yè)意愿是6個(gè)類別的目標(biāo)變量，分別用“1”“2”“3”“4”“5”“6”表示。

2.特征變量。本文的特征變量由個(gè)人認(rèn)知能力、個(gè)人特征、創(chuàng)業(yè)環(huán)境、社會(huì)信任和資源稟賦等五個(gè)維度的指標(biāo)構(gòu)成。其中，個(gè)人認(rèn)知能力（cogn）的取值是說英語的能力、聽英語的能力、說普通話的能力和聽普通話的能力等四項(xiàng)指標(biāo)的平均值，該四項(xiàng)指標(biāo)均由“完全不能”“比較差”“一般”“比較好”和“很好”衡量，取值均為1至5；個(gè)人特征有性別（gend）和戶籍類型（resi）兩個(gè)變量，其中，性別取值為1和2，分別表示男和女。戶籍類型取值為1至5，分別表示“農(nóng)業(yè)戶口”“非農(nóng)業(yè)戶口”“藍(lán)印戶口”“居民戶口（以前是農(nóng)業(yè)戶口）”“居民戶口（以前是非農(nóng)業(yè)戶口）”。創(chuàng)業(yè)環(huán)境由政府工作表現(xiàn)（gov）和社會(huì)公共服務(wù)（pubs）衡量。其中，政府工作表現(xiàn)的取值是維護(hù)公平、秉公辦事、環(huán)境保護(hù)和公平執(zhí)法等四個(gè)指標(biāo)的平均值，該四項(xiàng)指標(biāo)的取值均為1至5，表示“非常低”、“比較低”“一般”“比較高”和“非常高”；社會(huì)公共服務(wù)的取值是取百分制（0至100）的四個(gè)指標(biāo)（公共教育服務(wù)、基本住房保障服務(wù)、醫(yī)療衛(wèi)生公共服務(wù)和社會(huì)管理公共服務(wù)）的平均值。社會(huì)信任（trus）由社會(huì)信任總體評(píng)價(jià)衡量，分別由“絕大多數(shù)不可信”“多數(shù)不可信”“可信者與不可信者各半”。“多數(shù)可信”和“絕大多數(shù)可信”表示，對(duì)應(yīng)取值為1至5。資源稟賦由家庭經(jīng)濟(jì)狀況（econ）和父親的最高教育程度（fedu）衡量。家庭經(jīng)濟(jì)狀況由“遠(yuǎn)低于平均水平”“低于平均水平”“平均水平”“高于平均水平”和“遠(yuǎn)高于平均水平”表示，對(duì)應(yīng)取值分別為1至5。父親的最高教育程度取值為 1至14，分別表示“沒有受過任何教育”“私塾、掃盲班”“小學(xué)”“初中”“職業(yè)高中”“普通高中”“中專”“技校”“大學(xué)專科（成人高等教育）”“大學(xué)專科（正規(guī)高等教育）”“大學(xué)本科（成人高等教育）”“大學(xué)本科（正規(guī)高等教育）”和“研究生及以上”。

（二）模型

本文構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型本質(zhì)上一種分類技術(shù)與方法。分類技術(shù)是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的重要組成部分，本文運(yùn)用邏輯回歸、支持向量機(jī)、決策樹和K最近鄰等四種算法構(gòu)建大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型。

1.邏輯回歸

邏輯回歸是一種有監(jiān)督的學(xué)習(xí)方法，該算法通過將數(shù)據(jù)擬合到邏輯函數(shù)來預(yù)測事件發(fā)生的可能性。邏輯回歸本質(zhì)是一種二進(jìn)制分類算法，通常可以使用邏輯回歸的擴(kuò)展模型（多項(xiàng)式邏輯回歸和有序邏輯回歸）解決具有多個(gè)類別的問題。本文的目標(biāo)變量具有6個(gè)類別，因此可以通過擬合5個(gè)獨(dú)立的二進(jìn)制邏輯分類器模型來處理多個(gè)類別問題。由于大學(xué)生的創(chuàng)業(yè)意愿具有不同的強(qiáng)弱程度，即存在大小順序，因此，本文使用有序多分類邏輯回歸構(gòu)建具有5個(gè)二元的邏輯回歸模型。

2.支持向量機(jī)

支持向量機(jī)（Support Vector Machine,SVM）是一種分類方法，可以同時(shí)用于分類和回歸問題。SVM在多維空間中構(gòu)造一個(gè)超平面以分隔不同的類。SVM以迭代方式生成最佳超平面，用于最小化誤差。SVM的核心思想是找到最大的邊際超平面，以最大程度地將數(shù)據(jù)集劃分為不同的類別。

3.決策樹

決策樹是基于分割規(guī)則將數(shù)據(jù)遞歸地劃分為更多子節(jié)點(diǎn)的非參數(shù)方法。運(yùn)用決策樹進(jìn)行識(shí)別分類，通常按照以下幾個(gè)步驟進(jìn)行：（1）導(dǎo)入數(shù)據(jù)。（2）建立訓(xùn)練集與測試集。在訓(xùn)練集上訓(xùn)練模型并在測試集上進(jìn)行預(yù)測。（3）決策樹生成。使用信息增益、基尼系數(shù)或增益比率選擇最佳屬性，使該屬性成為決策節(jié)點(diǎn)，并將數(shù)據(jù)集分成較小的子集，同時(shí)通過對(duì)每個(gè)子集遞歸地重復(fù)此過程來開始樹的構(gòu)建。（4）模型預(yù)測。運(yùn)用決策樹模型進(jìn)行預(yù)測。（5）模型評(píng)估。運(yùn)用混淆矩陣評(píng)價(jià)監(jiān)督式學(xué)習(xí)模型的精確性，常用的評(píng)估指標(biāo)主要有準(zhǔn)確率、召回率、誤差率和Kappa系數(shù)等。

4.K最近鄰

K最 近 鄰（K-Nearest Neighbor,KNN）算法是一種基本分類與回歸方法。通過給定測試實(shí)例，基于某種距離度量方法找出訓(xùn)練集中與測試點(diǎn)最靠近的K個(gè)實(shí)例點(diǎn)，然后通過這K個(gè)最近鄰的信息預(yù)測測試實(shí)例的類別。歐幾里德距離和余弦相似性通常作為K最近鄰算法的分類器。本文使用歐幾里德距離實(shí)現(xiàn)大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的K最近鄰分類結(jié)果。

三、模型結(jié)果及比較

本文使用準(zhǔn)確率（accuracy）和Kappa系數(shù)作為大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的結(jié)果評(píng)價(jià)指標(biāo)。準(zhǔn)確率是預(yù)測正確的樣本與所有樣本的比例。Kappa系數(shù)是基于混淆矩陣得到的指標(biāo)，用于衡量分類的效果，即模型的預(yù)測結(jié)果與實(shí)際分類結(jié)果是否一致，取值在-1至1之間，值越大表明分類結(jié)果越準(zhǔn)確。

本文使用R語言函數(shù)對(duì)邏輯回歸、支持向量機(jī)、決策樹和K最近鄰算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型進(jìn)行估算。該四種算法都將256個(gè)樣本數(shù)據(jù)集中的三分之二樣本作為訓(xùn)練集，剩余三分之一樣本作為測試集。

本文首先對(duì)基于有序多分類邏輯回歸的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型進(jìn)行估算。在對(duì)模型進(jìn)行估計(jì)之前，必須對(duì)大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型中的8個(gè)特征變量進(jìn)行多重共線性檢驗(yàn)，以滿足有序多分類邏輯回歸模型的假設(shè)要求。共線性檢驗(yàn)表明：8個(gè)特征變量的容忍度均大于0.1，且方差膨脹因子均遠(yuǎn)遠(yuǎn)小于10，所以不存在多重共線性。另外需要指出的是，使用有序多分類邏輯回歸模型，必須滿足比例優(yōu)勢(shì)假設(shè)，即各特征變量對(duì)目標(biāo)變量中6類別的系數(shù)相等。通過比例優(yōu)勢(shì)假設(shè)的平行線檢驗(yàn)表明：卡方值為32.605，P顯著性值為0.437（P＞0.05），說明比例優(yōu)勢(shì)假設(shè)成立，可以使用有序邏輯回歸進(jìn)行分析。基于10次重復(fù)試驗(yàn)的平均準(zhǔn)確率為0.3108，即平均來看，31.08%的測試樣本被正確識(shí)別；10次重復(fù)試驗(yàn)的Kappa系數(shù)平均值為0.0833，說明預(yù)測結(jié)果與實(shí)際分類結(jié)果相差較大（見表1所示）。

本文隨后分別對(duì)支持向量機(jī)、決策樹和K最近鄰的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型進(jìn)行估計(jì)。本文使用R語言中的e1071包估算支持向量機(jī)（SVM）算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型。估計(jì)結(jié)果為：10次重復(fù)試驗(yàn)的平均準(zhǔn)確率為0.2871；Kappa系數(shù)平均值為0.0445。

關(guān)于決策樹的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的估算，主要有ID3、C4.5、C5.0和rpart等算法。C5.0是基于ID3和C4.5實(shí)現(xiàn)生成決策樹的監(jiān)督機(jī)器學(xué)習(xí)算法。C5.0算法使用信息熵作為確定最佳分組變量和分割點(diǎn)的標(biāo)準(zhǔn)。rpart算法使用基尼系數(shù)作為確定數(shù)據(jù)拆分的規(guī)則，從而實(shí)現(xiàn)最佳分組變量和分割點(diǎn)，輸出決策樹。本文使用rpart算法的估計(jì)結(jié)果為：平均準(zhǔn)確率和Kappa系數(shù)平均值分別是0.2941和0.0577。可見，決策樹rpart算法的識(shí)別精度低于邏輯回歸算法。

本文使用R語言的caret包對(duì)K最近鄰算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型進(jìn)行估計(jì)。估計(jì)結(jié)果為：10次重復(fù)試驗(yàn)的平均準(zhǔn)確率是0.3345；Kappa系數(shù)平均值為0.0863。

表1 10次重復(fù)試驗(yàn)結(jié)果

由表1看到，基于四種算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型，通過10次重復(fù)試驗(yàn)的結(jié)果表明：K最近鄰模型的平均準(zhǔn)確率最高，支持向量機(jī)模型的平均準(zhǔn)確率最低。按照平均準(zhǔn)確率大小依次排序?yàn)椋篕最近鄰（0.3345）＞有序多分類邏輯回歸（0.3108）＞決策樹的rpart（0.2941）＞SVM（0.2871）。其中，K最近鄰與有序多分類邏輯回歸在平均準(zhǔn)確率上更接近；而決策樹的rpart與SVM在平均準(zhǔn)確率上更靠近。從準(zhǔn)確率的離散程度看，K最近鄰的標(biāo)準(zhǔn)差最小（0.0334），表明K最近鄰的準(zhǔn)確率最穩(wěn)定。同樣由表1看出：K最近鄰的Kappa系數(shù)平均值最大，表明四種模型的識(shí)別結(jié)果中K最近鄰的分類效果最好，依次排序?yàn)椋篕最近鄰（0.0863）＞有序多分類邏輯回歸（0.0833）＞決策樹的rpart（0.0577）＞SVM（0.0445）。

綜上所述，無論從平均準(zhǔn)確率，還是Kappa系數(shù)平均值看，基于K最近鄰算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型在大學(xué)生創(chuàng)業(yè)意愿識(shí)別上，相比邏輯回歸、決策樹的rpart以及支持向量機(jī)等算法具有更好的識(shí)別效果。但遺憾的是，本文基于四種算法構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型在識(shí)別效果上都不具有較好表現(xiàn)。原因在于：首先，本文是基于256個(gè)樣本構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型，樣本數(shù)太少。其次，創(chuàng)業(yè)意愿的六個(gè)類別在數(shù)據(jù)分布上不均衡，即有的樣本多，有的樣本少。第三，在大學(xué)生創(chuàng)業(yè)意愿識(shí)別指標(biāo)體系的建立過程中，可能遺漏了一些重要指標(biāo)。以上這些因素都可能影響到模型的識(shí)別效果。但本文構(gòu)建的四種大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型為創(chuàng)業(yè)意愿的識(shí)別研究提供了方法選擇。

四、結(jié)語

本文利用2015年中國綜合社會(huì)調(diào)查（CGSS）數(shù)據(jù)，建立包括個(gè)人認(rèn)知能力、個(gè)人特征、創(chuàng)業(yè)環(huán)境、社會(huì)信任和資源稟賦等五個(gè)維度的大學(xué)生創(chuàng)業(yè)意愿識(shí)別指標(biāo)體系，構(gòu)建邏輯回歸、決策樹、支持向量機(jī)和K最近鄰等四種算法的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型。四種算法模型的結(jié)果表明：K最近鄰模型的平均準(zhǔn)確率最高，支持向量機(jī)模型的平均準(zhǔn)確率最低。基于10次重復(fù)試驗(yàn)的平均準(zhǔn)確率排序依次為：K最近鄰＞有序多分類邏輯回歸＞決策樹的rpart＞支持向量機(jī)。從Kappa系數(shù)平均值看，也得到與平均準(zhǔn)確率一致的結(jié)論，即K最近鄰模型的分類效果最好，支持向量機(jī)模型的分類效果最差。

可見，在四種算法構(gòu)建的大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型中，K最近鄰算法具有相對(duì)較高的準(zhǔn)確性。K最近鄰算法是一種非參數(shù)模型，雖然不需要對(duì)數(shù)據(jù)做出嚴(yán)格的假設(shè)要求，但必須要找到一個(gè)最佳的K值。而邏輯回歸模型需要特征變量之間滿足相互獨(dú)立和比例優(yōu)勢(shì)假設(shè)。若目標(biāo)變量和特征變量之間的關(guān)系通過線性模型能很好地?cái)M合，則線性模型的識(shí)別效果常優(yōu)于決策樹模型。但決策樹作為一種非參數(shù)方法，不依賴于概率分布假設(shè)，能夠擬合復(fù)雜的數(shù)據(jù)集。支持向量機(jī)實(shí)現(xiàn)多分類的識(shí)別方法是將一個(gè)多分類問題轉(zhuǎn)化為多個(gè)二分類問題，常用的方法是“一對(duì)多法”和“一對(duì)一法”，但支持向量機(jī)的有效性依賴于核函數(shù)和核參數(shù)的選擇。因此，在構(gòu)建大學(xué)生創(chuàng)業(yè)意愿識(shí)別模型的過程中，應(yīng)充分考慮各種算法模型的優(yōu)勢(shì)和缺陷，根據(jù)具體問題和數(shù)據(jù)特點(diǎn)選擇最適合的模型。