基于S V M的幼儿成长测评应用

陈卓贺敬

（青岛科技大学信息科学技术学院，山东 青岛266061）

中国的幼儿教育服务着全世界最庞大的学龄前儿童，由于地域，文化，经济等差异，教师数量，质量，资源配置，公办，私营不同，城乡差距等，幼儿发展的情况几乎天差地别。幼儿教育对个人乃至社会发展有着重要的、基础性的、不可或缺的重大意义。如何对幼儿的成长和教育情况予以科学的测评就显得极具意义。随着计算机技术和软件技术的发展，通过建立数据模型，运用一定的算法来分析幼儿成长的各项数据，做出科学合理的测试结果成为可能。

1 支持向量机（Support Vector Machine，SVM）技术

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力的一种机器学习方法[1]。

支持向量机方法是从线性可分情况下的最优分类提出的。即系统产生一个超平面并移动它，使得不同类别的样本点正好处在该超平面的两侧,这样得到的平面为最优超平面，从理论上实现了线性可分数据的最优分类问题[2]。如下图1所示：即L为把x型和o形没有错误地分开的分类线,分别为过各类样本中离分类线最近点、且平行于分类线的直线,和之间的距离做两类的分类间隔。所谓最优分类线就是要求分类线不但能将两类无错误地分开,而且要使两类的分类间隔最大[3]。前者是保证经验风险最小，使分类空隙最大，实际上就是使推广性的界中的置信范围最小,从而使真实风险最小。推广到高维空间，最优分类线就成为最优分类平面。对于线性不可分情况，通过指定常数C，控制对样本惩罚的程度，实现在错分样本的比例与算法复杂度之间的折衷。

图1 最优分类示意图

SVM支持向量机是一项成熟的机器学习方法，在JAVA中我们可以直接调用相应的类。我们需要先建立幼儿测试用的矩阵数据结构，然后据此建立样本数据。

1）建立应用于幼儿成长测评系统的矩阵，样本标签，样本数据。样本数据将作为训练集在程序中使用。

（1）样本标签，我们大致将幼儿测试结果分为A出色，B良好，C预警，D干预四类，作为样本标签使用，A出色：4分，B良好：3分，C预警：2分，D 干预，1分。

（2）样本数据，成长测试指标分类见下表（性别男表示为1，女表示为 2）：

表1 样本指标

2）通过对学龄前幼儿进行大批量的测试建立样本数据。样本该数据越准确，样本数量越多，得到的效果也就越准确。我们建立样本数据如下表2。

表2 样本数据

3）分类模型及参数。被评价数据是由4个等级的数据构成，因此该分类属于多分类问题，考虑到分类的样式不多，本文选用一对一策略，构造六个支持向量分类器，每个分类器只对两类进行分类，模型简单且具有较好的分类能力。

图2 分类模型示意图

SVM的核函数采用性能比较好的径向基核函数：

k(||x-xc||)=exp{-||x-xc||^2/(2*σ^2)

其中xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用围。

2 测试程序及结果

SVM技术在小样本，非线性，高维度下模式识别方面有着独有的优势，在科研和商业上都有着广泛的应用，很多流行编程软件都开发了相应的工具包。借助这些工具包我们可以直接调用相应的函数，而不必关心它们是如何实现的。

随机取5组数据作测试样本，得到测试结果见下表

表3 测试结果

从表3可以看出，程序测试结果可以保持不错的一致性，当然由于这里我们训练样本有限，误差率还比较高。但是随着训练样本的数量增加，优化后的SVM模型准确性会进一步提高，具有广泛的应用前景。

我们通过对幼儿成长中的各项评价指标进行量化，建立一种基于SVM的模型，应用在实际系统中，取得了比较好的效果，省去了人工评价过程中的不客观因素，节省了人力成本，扩展了SVM的应用范围。

［1］何婕.SVM及其在车牌字符识别中的运用[D].四川大学,2005.

［2］王静.基于GA-SVM的高职学生综合素质评价模型[J].广西教育,2014,11:55-57.

［3］朱海林.基于SVM多分类的教学质量评价研究[D].山东师范大学,2009.