基于模型算法的网络艺术考级研究分析

发布时间：2020-08-13 09:01

【摘要】：近年来,艺术教育事业蓬勃发展,艺术考级也步入了快车道,但考级流程、形式一直停留在传统层面。随着互联网的深度渗透和社会艺术考级的不断发展,“互联网+艺术考级”逐步走向人们的视野,受到行业的关注和推广。但是,国内网络化艺术考级的研究缺乏现有的规范和理论,网络化艺术考级数据的研究仍然是个值得深入探讨的问题,以便为我国网络化艺术考级行业的发展提供宝贵经验,并为政府职能部门制定相关政策提供依据。本文主要利用模型算法对网络化艺术考级的数据进行分析,具体工作如下:(1)介绍了机器学习分类算法中支持向量机模型和逻辑回归模型的理论,并结合实例,运用这两种算法对考生进行了优秀与非优秀的分类。(2)介绍了回归算法中支持向量回归和CART回归的理论。利用支持向量回归的不同核函数对考级数据进行建模分析,得出高斯核函数对考试成绩有更好的预测效果。同时,选取考级数据的部分特征,利用多元线性回归和树回归进行建模分析,得出树回归具有更好的预测效果。(3)结合实例,运用矩阵分解算法对考级数据中缺失值进行估算,为优秀考级点的评定中缺失数据时提供一个可靠的方法。为了防止过拟合现象引入L2正则化项,进而得到更好的泛化能力。(4)运用R语言中的网络爬虫抓取了艺术考级网络化的区域,并运用SPSS软件建立了时间序列模型对考级数据进行了可视化分析。同时,给出了 2017年浙江省网络艺术考级专业、报考级别和年龄的分布情况,从而为政府和行业发展提供参考。(5)对全文的工作做了一下总结,并提出了未来的研究方向。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：J124;TP181
【图文】：

超平面,支持向量,训练样本,异类

｛＾ｘｉ＋ｂ＞Ｕ邋ｙ，＝＋＼；逦（２．３）逡逑１邋．ｙ，邋＋邋６邋＜邋－１，邋ｙｔ＝－邋＼．逡逑如图２．２，红色的训练祥本点使式（２．３）的等号成立，称为“支持向量”。两个逡逑异类支持向量到超平面的距离之和为逡逑７＝Ｈ逦（２．４）逡逑它被称为“间隔”。逡逑５逡逑

超平面,支持向量,样本空间,参数

爹逡逑0逦＞邋＇逡逑图２．１存在多个划分超平面将两类训练样本分开逡逑在样本空间中，划分超平面可表示为逡逑（ｉ）Ｊ邋ｘ邋＋邋ｂ邋＝邋０逦（２．１）逡逑其中？邋＝逦为法向量，决定超平面的方向；ｆｔ为位移项，决定超平面逡逑与原点的距离。超平面由《和办所确定，记为（０，６）。样本空间中任意点Ｘ到（？，办）的逡逑距离为：逡逑＼ｃｏ＇ｘ邋＋邋ｂ逡逑ｙ邋＝邋ｉ逦邋（２２）逡逑ｒ邋ＨＩ逦—逡逑假定训练样本能被超平面（队正确分类，即对任意（Ｗ／）ｅＤ，若％＝邋＋邋１，则有逡逑若兄．＝－１，则有逦令逡逑｛＾ｘｉ＋ｂ＞Ｕ邋ｙ，＝＋＼；逦（２．３）逡逑１邋．ｙ，邋＋邋６邋＜邋－１，邋ｙｔ＝－邋＼．逡逑如图２．２

示意图,线性可分,线性不可分,示意图

图２．３线性可分示意图逡逑

【参考文献】