基于改进CART算法的M-learning过程中知识掌握程度预测

作者：唐立; 李六杏

来源：韶关学院学报, 2018, 39(09): 26-31.

• CART算法
• Fayyad边界
• GB算法
• M-learning

传统CART运算对连续属性处理效率比较低,为此花费较长的运算时间,此外传统CART运算对小量样本数据建立模型不稳定,预测精度不高.为了使用CART运算能高效准确预测M-learning过程中对知识点的掌握程度,本文对CART运算进行改进,首先利用Fayyad边界提高对连续属性最优阀值所用的计算效率,减少分割点个数,减少运算时间.其次对小量样本数据进行基于GB算法的CART建模,多次迭代弱预测器成为较强的预测器,使得小样本数据模型建立更加稳定,提高预测精度.最后实验表明,改进的CART算法对M-learning过程中对知识点的掌握程度的预测,对连续属性处理的速度更快,预测正确率更高,能够提供给学生和教师强有力的决策支持.

• 单位
  安徽经济管理学院信息工程系