基于FT_BP神经网络的学业预警模型

摘要

因传统高校学业预警模型依据数据科学性不足、算法容易陷入局部最优化等因素,导致预测结果准确率低下且预警滞后。针对此问题,提出一种结合Adam技术的监督微调FT_BP神经网络模型算法。该模型包括两个学习阶段,即预训练阶段和监督微调阶段。预训练阶段用于学习基础神经网络参数,而监督微调阶段是对前阶段所学知识的改进。实验采集了3381名在校学生的行为因素、基础信息以及历史表现三类与学业密切相关的属性项。首先通过PCA方法分析选取了10个属性项作为训练数据集,再通过FT_BP神经网络进行分类预测。经现实数据集验证,该方法改善了准确率低下的问题,能够极大地提升预警质量。