摘要：收集并整合多所高校学生的慕课学习行为数据,设计基于数据复杂度的纠错输出编码(ecoc)多分类算法。该算法利用数据复杂度降低多类之间的分类难度,从而提高算法的预测准确度。实验结果表明,在不同高校的慕课数据集的测试中,所设计基于数据复杂度的ecoc分类算法比传统的ecoc算法具有更高的分类准确度和鲁棒性,实现了学生学习成绩多等级的有效预测,为个性化教学奠定了基础。

摘要：为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式。对于给定的样本集,可以设计合理的编码来提高ecocSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间。研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向。