基于雙重擾動與核ELM融合的大學(xué)生貧困認(rèn)定模型研究

鄭建華，朱 蓉，劉雙印，賀超波

（1.仲愷農(nóng)業(yè)工程學(xué)院 信息科學(xué)與技術(shù)學(xué)院，廣州 510225；2.廣東省高校智慧農(nóng)業(yè)工程技術(shù)研究中心，廣州 510225）

高等教育肩負(fù)國家人才培養(yǎng)重任。我國各類高等教育2018年在學(xué)總規(guī)模達(dá)到3 833萬人［1］，其中貧困生約占20%，保證每個大學(xué)生不因貧困而輟學(xué)是實現(xiàn)人才興國的重要前提。習(xí)近平總書記在“五個一批”的脫貧攻堅計劃中特別強調(diào)“做好高校貧困大學(xué)生生活困難補助”［2］，但作為開展資助工作前提的貧困認(rèn)定卻始終不盡如人意。大學(xué)生貧困認(rèn)定需要經(jīng)過個人申請、班級審批、院校認(rèn)定等步驟，整個過程需要學(xué)生提交相關(guān)證明材料。目前的貧困認(rèn)定過程存在以下問題：①部分真正貧困的學(xué)生因為自卑不愿意把自家隱私暴露，導(dǎo)致真貧困學(xué)生無法享受資助；②地方基層配合學(xué)生提供造假材料，導(dǎo)致偽貧困學(xué)生享受資助。由于以上現(xiàn)象的存在，廣大學(xué)生對于貧困認(rèn)定結(jié)果認(rèn)可度不高［3］。2013年，習(xí)總書記進(jìn)一步提出“精準(zhǔn)扶貧”要求［4］：確保扶貧資源真正用在扶貧對象身上、真正用在貧困地區(qū)。因此，在精準(zhǔn)扶貧視閾下，精準(zhǔn)識別貧困大學(xué)生是幫扶大學(xué)生的首要關(guān)鍵。

判斷貧困生涉及很多因素，目前大部分貧困認(rèn)定研究主要圍繞政策、理論、制度、實施方案等展開，在精準(zhǔn)量化貧困認(rèn)定方面的研究成果不多。大部分研究者綜合學(xué)生的消費數(shù)據(jù)、學(xué)生家庭經(jīng)濟收入、學(xué)生家庭情況、學(xué)生助學(xué)貸款等多方面信息，運用決策樹、模糊層次分析法、HMM進(jìn)行分析［5-7］。以上方法雖取得了一定效果，但往往很難收集學(xué)生家庭收入、家庭人均居住面積、學(xué)生高檔消費品等精確數(shù)據(jù)，而學(xué)生家庭是否屬于低保、家庭成員病殘健康情況又涉及隱私。同樣，在分析方法上，貧困認(rèn)定涉及因素眾多，目前仍未有一種方法能較好地對貧困學(xué)生實現(xiàn)精準(zhǔn)識別。

極限學(xué)習(xí)機（extreme learning machine，ELM）是Huang等［8］提出的一種高效單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLFN）學(xué)習(xí)算法，具有訓(xùn)練速度快、泛化能力強的特點，目前已廣泛應(yīng)用于社交網(wǎng)絡(luò)用戶行為預(yù)測［9］、醫(yī) 療 診 斷［10］、電 力 預(yù) 測［11-12］、故 障 診斷［13］、室內(nèi)定位［14］等領(lǐng)域。為此，在不攝取學(xué)生隱私信息和保障數(shù)據(jù)客觀性的前提下，以學(xué)生一卡通消費數(shù)據(jù)、學(xué)生家庭住址、家庭學(xué)生數(shù)量這些客觀數(shù)據(jù)為基礎(chǔ)，采用特征分桶、交叉算法構(gòu)建貧困認(rèn)定模型特征，并針對貧困生數(shù)據(jù)集不平衡的特點，構(gòu)建融合輸入屬性、數(shù)據(jù)樣本雙重擾動和核ELM的DP_KELM高校大學(xué)貧困認(rèn)定模型，以期為校園精準(zhǔn)扶貧提供輔助決策依據(jù)。

1 大學(xué)生貧困認(rèn)定模型特征構(gòu)建

1.1 貧困認(rèn)定模型特征篩選

數(shù)據(jù)和特征決定了機器學(xué)習(xí)的上限，選擇合適的特征是構(gòu)建高校大學(xué)生貧困認(rèn)定模型的關(guān)鍵。美國貧困大學(xué)生資助系統(tǒng)計算公式為：資助需求=入學(xué)成本-預(yù)期家庭貢獻(xiàn)（需要考慮家庭年收入）。胡苗苗等［15］評價方法中考慮了家庭經(jīng)濟收入、家庭人員組成以及學(xué)生在校學(xué)習(xí)生活平均消費情況。雖然年家庭收入可以真實反映家庭貧困情況，但在我國尚未建立完善的收入管理系統(tǒng)時，這是一個動態(tài)且主觀的數(shù)據(jù)，學(xué)生可以任意虛構(gòu)。針對這種情況，田志磊等［16］考慮了非收入變量，如居住地與公共服務(wù)的可得性、住房條件等屬性特征。宋美喆［7］則基于學(xué)生是否單親、家庭致災(zāi)情況、家庭成員健康狀況、家庭成員工作狀況等信息，采用模糊綜合評價方法對貧困大學(xué)生進(jìn)行認(rèn)定。顯然，以上信息是影響家庭貧困與否判斷的重要因素，但非收入數(shù)據(jù)很難量化。對此，廣東省教育廳印發(fā)的《廣東省家庭經(jīng)濟困難學(xué)生認(rèn)定工作指標(biāo)解釋》明確了各種情況的量化分?jǐn)?shù)，但實際上這樣的信息涉及隱私，且自卑的學(xué)生通常不愿意提供真實數(shù)據(jù)。綜上，篩選出能夠反映學(xué)生家庭情況的客觀、可量化特征是實現(xiàn)高校大學(xué)生貧困識別的關(guān)鍵。

近些年，隨著高校一卡通系統(tǒng)的建立，通過一卡通可以采集到學(xué)生在學(xué)校就餐的次數(shù)、消費均值、消費總次數(shù)等數(shù)據(jù)。這些反映學(xué)生消費能力的信息可以成為反映學(xué)生家庭收入情況的指標(biāo)。鄭州大學(xué)、中國科學(xué)技術(shù)大學(xué)、電子科技大學(xué)、南京理工大學(xué)等高校基于學(xué)生消費數(shù)據(jù)自動生成貧困家庭學(xué)生建議名單，并進(jìn)行資助［17］。本文中以一卡通數(shù)據(jù)為基礎(chǔ)，采用統(tǒng)計方法，篩選了6個消費特征：總消費次數(shù)（TotalTimes）、消費總量（TotalAmount）、次消費均值（TranMean）、次消費均值中位數(shù)（TranMeanMedian）、月消費均值（TranMonth-Mean）、次最大消費金額（MaxAmoun）。

然而，僅僅依靠一卡通數(shù)據(jù)并不能精準(zhǔn)識別貧困生。王澤原等［5］利用隨機森林算法對一卡通消費數(shù)據(jù)進(jìn)行處理，識別平均準(zhǔn)確率為79%。實際上，一個學(xué)生的消費情況不僅與貧困情況有關(guān)，還與性別有關(guān)，比如女生次消費均值可能低于男生。另外，學(xué)生貧困情況還可能與學(xué)生生源地有關(guān)。為此，篩選了學(xué)生性別（Sex）、學(xué)生居住地（Address）2個特征，并采用家庭學(xué)生數(shù)量（Stu-Num）反映一個家庭支出壓力，同時構(gòu)建一個表示學(xué)生的消費能力的特征PerStu=TranMean/Stu-Num。顯然，這4個特征可以反映學(xué)生的個體特征和家庭背景，且這4個特征是客觀、穩(wěn)定特征，數(shù)據(jù)容易獲取，且不會涉及學(xué)生隱私。至此，共篩選出10個貧困認(rèn)定模型的特征。

1.2 貧困認(rèn)定模型特征預(yù)處理、分箱與交叉

1.2.1 特征預(yù)處理

在篩選出的貧困認(rèn)定模型的10個特征中，Address是一個離散變量，本文中采用One-Hot編碼對Address進(jìn)行特征預(yù)處理，使得每個城市成為1個特征。例如，目前廣東省有21個地級市、20個縣級市，將Address數(shù)據(jù)預(yù)處理后形成了City_1，City_2，…，City_41共41個特征，不過現(xiàn)實中將根據(jù)實際數(shù)據(jù)集的情況決定有多少個City特征。

1.2.2 特征分箱與特征交叉

在選定的10個特征中，涉及消費信息的特征都是連續(xù)變量特征，有時特征數(shù)值稍有變動就會對模型的結(jié)果造成很大波動。為提高模型的穩(wěn)定性、避免異常值的干擾，對TotalTimes、TranMean進(jìn)行分箱處理，將每個特征分成6個均衡的區(qū)間。

機器學(xué)習(xí)算法對非線性規(guī)律的擬合能力往往決定了算法能達(dá)到的精度。為提高算法對特征非線性規(guī)律的擬合能力，采用特征交叉算法，將2個或多個輸入特征相組合來表達(dá)特征的非線性特征規(guī)律。比如，同樣每次平均消費8.5元，對于判斷男生和女生是否為貧困生的結(jié)果可能是不一樣的，因此可以構(gòu)建“男生-8.5”，“女生-8.5”兩個不同特征。本文中主要將Sex與分箱后的Tran-Mean，Sex與分箱后的TotalTimes分別進(jìn)行特征交叉，最終形成24個新特征，具體特征交叉算法描述如表1所示。

表1 特征交叉算法

最后，刪除總消費次數(shù)（TotalTimes）、消費均值（TranMean）、家庭住址（Address）3個已經(jīng)處理后的特征。

2 DP_KELM貧困認(rèn)定模型設(shè)計

2.1 KELM數(shù)學(xué)模型

極限學(xué)習(xí)機（extreme learning machine ELM）是一種高效的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，其學(xué)習(xí)過程無需對網(wǎng)絡(luò)權(quán)重和偏置進(jìn)行迭代調(diào)整。該算法具有訓(xùn)練速度快、泛化能力強的特點，同時具有SLFN的插值能力、通用逼近能力和分類能力。

給定有N個樣本的訓(xùn)練數(shù)據(jù)集｛xi，yi|xi∈RD，yi∈Rm，i=1，2，3，…，N｝，其中xi表示第i個含有D個特征的數(shù)據(jù)，具體表示為xi=［xi1，xi1，…，xiD］T。yi表示第i個數(shù)據(jù)對應(yīng)的標(biāo)記，具體表示為yi=［yi1，yi1，…，yim］T，式中m表示對應(yīng)m個輸出變量。則對于具有L個隱層節(jié)點、激活函數(shù)為g的極限學(xué)習(xí)機ELM模型可以描述為：

式中：wj=［wj1，wj2，…，wjD］表示第j個隱層節(jié)點與輸入節(jié)點間的權(quán)值；bj表示第j個隱層神經(jīng)元的偏置補償；βj=［βj1，βj2，…，βjm］是第j個隱層單元的輸出權(quán)值。

若設(shè)隱層輸出用矩陣H表示：

則極限學(xué)習(xí)機可以表示為：

其中

根據(jù)文獻(xiàn)證明［8］，當(dāng)激活函數(shù)g無限可微時，對于任意賦值wi∈Rn和bi∈R的情況，一定存在1個含有K（K≤D）個隱層神經(jīng)元的SLFN使得。因此，隱層與輸出層的權(quán)值β可以通過求解以下最優(yōu)化問題得到：

當(dāng)wi∈Rn和bi∈R已知，則H可以確定，H+T，故ELM分類器的輸出函數(shù)可以表示為：

但在實際應(yīng)用中，常會出現(xiàn)數(shù)據(jù)在原始空間是非線性可分的情況，因此將核方法引入ELM模型，通過核函數(shù)將輸入空間低維的數(shù)據(jù)映射到高維，使得原空間非線性可分問題轉(zhuǎn)為高維線性可分問題。故在ELM中引入核函數(shù)K（xi，xj），并構(gòu)建核矩陣［18］ΩELM：

顯然，ΩELM僅與輸入數(shù)據(jù)有關(guān)，而通過核函數(shù)K（xi，xj）實現(xiàn)了高維空間的內(nèi)積h（xi）·h（xj）操作。

這樣，KELM（kernel ELM）模型的輸出可以表示為：

2.2 雙重擾動不平衡數(shù)據(jù)處理策略

大學(xué)生中貧困生的占比約為20%，這是典型的不平衡數(shù)據(jù)。由于傳統(tǒng)的分類算法傾向多數(shù)類，導(dǎo)致這類算法并不適用不平衡數(shù)據(jù)場景。常見的2種處理不平衡數(shù)據(jù)的策略基于數(shù)據(jù)預(yù)處理和基于算法改進(jìn)［19］。數(shù)據(jù)預(yù)處理又包括重采樣和特征處理技術(shù)，基于算法改進(jìn)主要包括代價敏感方法和集成學(xué)習(xí)方法。重采樣技術(shù)包括上采樣算法如SMOTE、ADASYN等，下采樣算法則有隨機下采樣算法（RUS）。重采樣技術(shù)雖然簡單實用，但下采樣會丟失多數(shù)類樣本特征信息，而上采樣又容易引入誤差，使用受到限制。集成學(xué)習(xí)通過構(gòu)建并結(jié)合多個基學(xué)習(xí)器完成學(xué)習(xí)任務(wù)，通常可以獲得比單一學(xué)習(xí)器顯著優(yōu)越的泛化性能［20］。Easy Ensemble Classifier算法［21］是一種有效的不平衡數(shù)據(jù)分類方法，該算法融合了重采樣技術(shù)與集成學(xué)習(xí)的優(yōu)點，將多數(shù)類樣本隨機分成多個子集，每個子集分別與少數(shù)類合并，得到多個新的訓(xùn)練子集，并利用每個訓(xùn)練子集訓(xùn)練1個AdaBoost基分類器，最后集成所有基分類器，得到最終的集成分類器。

在集成學(xué)習(xí)中，提升各基分類器的獨立性或多樣性有利于提升最終學(xué)習(xí)效果。提升基分類器多樣性的方式主要有對數(shù)據(jù)樣本、輸入屬性、輸出表示、算法參數(shù)進(jìn)行擾動。數(shù)據(jù)樣本擾動指為每個基分類器選擇不同的訓(xùn)練樣本，顯然Easy Ensemble Classifier是利用數(shù)據(jù)樣本擾動方式提升基分類器的多樣性，使得最終的分類效果較好。訓(xùn)練樣本中X一般由一組屬性特征描述。輸入屬性擾動指為不同基分類器選擇若干屬性子集，然后基于每個屬性子集訓(xùn)練基分類器。輸入屬性擾動不僅能生成多樣性大的個體，還會因為屬性數(shù)的減少而節(jié)省訓(xùn)練時間開銷。

針對大學(xué)生貧困認(rèn)定不平衡數(shù)據(jù)集，綜合使用重采樣技術(shù)和集成學(xué)習(xí)來處理平衡數(shù)據(jù)集，在過程中同時使用數(shù)據(jù)樣本擾動和輸入屬性擾動兩種擾動方式，旨在提升基分類器的多樣性，從而提升分類效果。具體措施為：對每個基分類器，從多數(shù)類（非貧困生）樣本中隨機選擇與少數(shù)類樣本（貧困生）數(shù)量一致的樣本，將這些多數(shù)類樣本與全部少數(shù)類樣本構(gòu)成1個平衡訓(xùn)練子集；然后，在該訓(xùn)練子集中隨機刪除n個特征屬性，從而構(gòu)建每個基分類器的最終訓(xùn)練數(shù)據(jù)集。

2.3 DP_KELM算法模型

基于以上分析，將KELM作為集成學(xué)習(xí)的基分類器，采用數(shù)據(jù)樣本和輸入屬性雙重擾動方式構(gòu)建每個基分類器的訓(xùn)練數(shù)據(jù)集，然后訓(xùn)練不同KELM基分類器。在測試階段則采用投票方式獲得最終的分類結(jié)果。由此構(gòu)建DP_KELM算法模型，如圖1所示。

圖1 DP_KELM算法模型示意圖

DP_KELM訓(xùn)練過程算法偽代碼如表2所示。

表2 DP_KELM 算法訓(xùn)練過程偽代碼

對測試樣本x，輸出結(jié)果為

3 實驗設(shè)計與結(jié)果分析

3.1 實驗數(shù)據(jù)集

以筆者所在院校的信息科學(xué)與技術(shù)學(xué)院全體學(xué)生2018年一卡通消費數(shù)據(jù)以及學(xué)生的基礎(chǔ)信息數(shù)據(jù)為基礎(chǔ)，以廣東省教育廳的貧困生認(rèn)定結(jié)果數(shù)據(jù)為標(biāo)簽數(shù)據(jù)。通過數(shù)據(jù)清洗和特征工程，共得到2 104名學(xué)生樣本，其中非貧困1 708人，認(rèn)定貧困396人，貧困與非貧困比例為1∶4.3。在特征方面，共取得City特征35個（部分城市無該學(xué)院學(xué)生），Sex與TransMean交叉特征12個，Sex與TotalTimes交叉特征12個，以及包括消費總量（TotalAmount）、次消費均值中位數(shù)（TranMeanMedian）、月消費均值（TranMonthMean）、次最大消費金額（MaxAmoun）、學(xué)生家庭學(xué)生數(shù)量（StuNum、PerStu）、性別Sex這7個特征，合計66個特征。

3.2 實驗結(jié)果評價指標(biāo)

貧困認(rèn)定是典型的二分類問題，用混淆矩陣表示識別結(jié)果，如表3所示。分類問題一般常用查準(zhǔn)率（Accuracy、Precision），召回率（Recall）、F1等指標(biāo)衡量分類性能。其中用于衡量分類準(zhǔn)確性的指標(biāo)Accuracy定義為：

但在不平衡問題中Accuracy并不能真正反映用戶需求。若有1 000個學(xué)生，10個貧困生，假如分類器A將10個貧困生都誤分為非貧困生，此時A的Accuracy為0.99，但實際上1個貧困生也沒有被發(fā)掘出來，即對貧困生的召回率為0。假如分類器B將30個人都判定為貧困生，但將10個真正的貧困生識別出來，此時B的Accuracy為0.97，其對貧困生的召回率為1，顯然學(xué)校更愿意接受分類器B。因此，針對貧困認(rèn)定問題，在保證Accuracy的基礎(chǔ)上，提高貧困生的識別率非常關(guān)鍵。

表3 混淆矩陣中的行與列

G-mean是Kubat［22］提出的一種魯棒性較好的不平衡數(shù)據(jù)分類方法的評價指標(biāo)。該指標(biāo)主要關(guān)注少數(shù)類和多數(shù)類的召回率情況。用該指標(biāo)可以較好地綜合評價貧困生和非貧困生的召回率。其定義如下：

但G-mean僅關(guān)注了召回率情況，而關(guān)注貧困和非貧困分類錯誤同樣重要［23］。為了衡量召回率和準(zhǔn)確率的綜合情況，本文中采用對不平衡數(shù)據(jù)不敏感的AUC值，該值是受試者工作特征曲線ROC與坐標(biāo)軸圍成的區(qū)域面積，AUC越接近1，則表示分類器性能越好。

3.3 實驗環(huán)境與方式

為了驗證DP_KELM性能，將DP_KELM和對比算法應(yīng)用于上述數(shù)據(jù)集，然后比較Accuracy、G-mean和AUC值。實驗的操作系統(tǒng)為Windows7，CPU主頻為3.6 GHz，內(nèi)存為32G，編程語言為Python3.6，涉及包有Pandas、Numpy、Sklearn、Imblearn。

實驗過程中，為取得公平的結(jié)果，對于所有數(shù)據(jù)集采用4折交叉驗證方法；然后，執(zhí)行5遍以上過程，取5遍執(zhí)行結(jié)果的平均值作為該算法的結(jié)果值。

3.4 實驗結(jié)果與分析

3.4.1 刪除的特征數(shù)量對KP_KELM性能的影響

影響KP_KELM算法性能的參數(shù)主要有輸入屬性擾動過程中刪除的特征數(shù)量n、KELM的隱層節(jié)點數(shù)量nh、KELM的核函數(shù)和激活函數(shù)。

實驗中，統(tǒng)一采用高斯核函數(shù)作為KP_KELM的核函數(shù)，使用Mish函數(shù)［24］作為激活函數(shù)。相對于Sigmoid、ReLU這類激活函數(shù)，Mish是一個自正則非單調(diào)激活函數(shù)，函數(shù)公式為Mish=x*tanh（ln（1+ex））。該函數(shù)曲線上所有點幾乎都是平滑的，無上界避免了由于封頂導(dǎo)致的飽和，也不似ReLU有硬零邊界。文獻(xiàn)［24］在75項測試中，與ReLU、SWish激活函數(shù)相比，Mish表現(xiàn)出更好的性能。

為了分析刪除特征數(shù)量n對KP_KELM性能的影響，首先設(shè)定nh=110，實驗結(jié)果如圖2所示。圖2中橫坐標(biāo)表示輸入屬性擾動刪除的特征數(shù)量n。由圖2可知：當(dāng)nh一定時，隨著刪除特征的數(shù)量n在0～8變化時，G-mean值隨n值增加而增加；當(dāng)n在［9，25］區(qū)間時，G-mean值隨n值增加呈現(xiàn)下降趨勢，但下降速率非常小；當(dāng)n＞25時，G-mean隨n值增加而快速下降。本文中主要是通過數(shù)據(jù)樣本和輸入屬性雙重擾動提高基分類器的多樣性，從而提升整體分類性能。當(dāng)n較小時，隨著n從0至8增加，基分類器的多樣性逐步增加，并因為刪掉的特征較少，基分類器還能學(xué)習(xí)到足夠的特征信息使得模型整個分類性能增加。當(dāng)n從9增加到25過程中，雖然基分類器的多樣性增加了，但由于刪除的特征過程，使得每個基分類器學(xué)習(xí)到數(shù)據(jù)集的特征信息反而減少，導(dǎo)致基分類器出現(xiàn)誤判可能增加，故整體性能反而下降。由于本文中數(shù)據(jù)集特征共66個，因此當(dāng)n在［9，25］區(qū)間時，這種損失不是很大，故G-mean下降慢，甚至?xí)霈F(xiàn)一些G-mean上升隨機波動現(xiàn)象（此時選擇的都是最有代表性的特征），比如在n=14時，G-mean值也較高。但是當(dāng)n大于25且逐步增加時，由于每個基分類器學(xué)習(xí)到的特征信息越來越少，使得分類器出現(xiàn)誤判可能性急劇增加，導(dǎo)致整體G-mean下降迅速。

圖2 刪除特征數(shù)量對性能影響

3.4.2 KP_KELM算法中隱層節(jié)點變化對性能影響

統(tǒng)一采用高斯核函數(shù)，Mish激活函數(shù)，設(shè)定輸入屬性擾動刪除特征數(shù)量為8，實驗結(jié)果如圖3所示。由圖3可知：當(dāng)隱層節(jié)點nh取值為100左右時，G-mean取得最高值；nh從0到100增加時，Gmean呈線性關(guān)系上升；nh=105時，G-mean值為0.778 6，而AUC值為0.783 6，以上兩值均取得最高值。而當(dāng)nh大于115時，G-mean隨nh的增加而呈線性下降趨勢。圖3中的AUC指標(biāo)也呈現(xiàn)出與G-mean類似的變化趨勢。出現(xiàn)這種現(xiàn)象的原因是：當(dāng)nh小于100時，隱層神經(jīng)元節(jié)點過少，模型出現(xiàn)欠擬合情況，使得G-mean隨神經(jīng)元增加而增加；當(dāng)nh大于115時，由于隱層神經(jīng)元節(jié)點數(shù)目過多，造成模型的過擬合，在測試集上的結(jié)果反而變差。

圖3 隱層節(jié)點數(shù)對性能影響

3.4.3 DP_KELM算法性能比較

設(shè)定nh=105，每次刪除特征數(shù)量為n=8。

首先驗證所提出的大學(xué)生貧困認(rèn)定特征是否合理。為此，將DP_KELM與隨機森林、支持向量機、ELM、KELM算法進(jìn)行比較，結(jié)果如圖4所示。結(jié)果表明：隨機森林、支持向量機與KELM的Accuracy均高于0.82，KELM獲得的最高值為0.823 2，該結(jié)果優(yōu)于文獻(xiàn)［5］中僅使用一卡通消費數(shù)據(jù)獲得的0.79。這說明選定的特征具有更好的貧困生識別能力。圖4同時表明KELM要優(yōu)于ELM。

圖4 不同算法性能值的直方圖

另外，圖4顯示DP_KELM算法的Accuracy雖然沒有超過0.8，但其G-mean值遠(yuǎn)高于其余算法，較次好算法ELM的G-mean提升了45.61%，而Accuracy則較最好算法KELM僅降低11.26%。G-mean反映了算法對貧困生和非貧困生的召回率，由于貧困認(rèn)定樣本集是一個非平衡數(shù)據(jù)集，傳統(tǒng)算法傾向于將貧困認(rèn)定為非貧困，雖然Accuracy較好，但實際上對貧困生的發(fā)掘不利，表現(xiàn)為Gmean非常低。而在綜合性能AUC比較上，DP_KELM要顯著優(yōu)于其他4種算法。

為對比DP_KELM對不平衡數(shù)據(jù)集的處理能力，選擇典型的上采樣算法RUS，下采樣算法SMOTE，以及近年提出的基于聚類上采樣的算法Kmeans SMOTE［25］，將其與KELM結(jié)合，構(gòu)建完整的貧困認(rèn)定算法。Easy Ensemble Classifier［21］算法與本文中框架有一定類似之處，故將其納入比較，簡稱為Easy Ensemble。同時，本文中將雙重擾動應(yīng)用于隨機森林算法，構(gòu)建了DP_RF算法，最終實驗結(jié)果如表4所示。

表4 不同算法性能值的實驗結(jié)果

表4表明：采用雙重擾動構(gòu)建的DP_RF和DP_KELM在G-mean和AUC方面均優(yōu)于其他算法，說明雙重擾動有利于提高基分類器多樣性，從而提高模型分類性能。與上采樣、下采樣算法，以及DP_RF相比，所提出的DP_KELM算法在Gmean值和AUC值方面均取得了最好成績，說明所提出的算法在召回率和準(zhǔn)確率方面均為最優(yōu)結(jié)果，有利于精準(zhǔn)確定貧困和非貧困大學(xué)生。

4 結(jié)論

當(dāng)前高校大學(xué)生貧困認(rèn)定存在需要材料多、材料涉及隱私等情況，容易出現(xiàn)“假貧困得到資助，真貧困不敢去申請資助”這種不公平的現(xiàn)狀。針對以上問題，提出一種將雙重擾動和核極限學(xué)習(xí)機KELM相融合的算法，稱為DP_KELM。該算法以學(xué)生一卡通和簡單客觀的個人信息數(shù)據(jù)為基礎(chǔ)，實現(xiàn)了貧困大學(xué)生智能識別。

1）設(shè)計了大學(xué)生貧困認(rèn)定特征。以學(xué)生在校一卡通消費數(shù)據(jù)、學(xué)生性別、住址這些易于獲得、客觀、不涉及隱私的數(shù)據(jù)為基礎(chǔ)，采用特征預(yù)處理、特征分箱、特征交叉的算法，設(shè)計了一套用于大學(xué)生貧困認(rèn)定的特征參數(shù)。

2）設(shè)計了雙重擾動和核極限學(xué)習(xí)機KELM相融合的貧困認(rèn)定算法。該算法以核極限學(xué)習(xí)機為基分類器，同時針對大學(xué)生中貧困率為20%的特點，采用數(shù)據(jù)樣本和輸入屬性雙重擾動提升基分類器多樣性，從而提高DP_KELM分類性能。

3）采用具體院校學(xué)生樣本集，完成了DP_KELM實驗驗證。結(jié)果表明：與對比的9種算法相比，DP_KELM在G-mean和AUC方面均取得最好效果。

家庭收入是貧困大學(xué)生的重要評判標(biāo)準(zhǔn)，但如何通過一種易于獲得、客觀、不涉及隱私的數(shù)據(jù)反映出家庭收入，從而進(jìn)一步提高算法性能是下一步研究內(nèi)容。此外，在算法中不同激活函數(shù)、隱層節(jié)點數(shù)、每次刪減的特征數(shù)量都會影響算法最終結(jié)果，因此未來考慮采用啟發(fā)式演化算法實現(xiàn)對以上參數(shù)的智能搜索，進(jìn)一步提高算法對貧困大學(xué)生的識別準(zhǔn)確性。