金秀玲，卓艳如

(闽江学院 数学与数据科学学院，福建 福州 350108)

高考是由国家教育部统一组织的、国家或部分省份统一命题的、社会关注度极高且极其重要的考试，故根据模拟考试分数对高考分数进行预测有着重要的意义。

随着计算机技术的发展，机器学习中传统预测模型如线性回归、BP神经网络、模糊理论、支持向量机(SVM)等理论已被用于教育领域。有学者[1-2]研究发现高考成绩和模拟考试成绩虽然有一定的区别，但是也存在一定的关联，可以根据模拟考试成绩预测高考成绩。文献[3-5]挖掘了高招网的数据，利用线性回归和模糊理论预测高考录取分数线。周琦[6]利用高三学生平时成绩建立改进的决策树预测学生高考成绩和录取批次。张琼[7]利用高一新生的入学成绩建立Bayes网络对高考录取批次进行了预测。张莉等[8]运用SVM模型对江苏省海门市四中理科六次模考成绩进行挖掘来预测高考成绩和录取批次。武剑平[9]利用BP神经网络对学生高考分数进行了预测。

上述文献分析证实了机器学习在预测高考分数方面有良好的性能。然而，传统的算法在预测高考成绩时都有缺陷，预测的精度也有待提升。其中，SVM被广泛认为是一种普适且非常有效的学习方法，它基于结构风险最小化原则，在分类和回归问题上具有较好的稳定性和预测性。为了进一步提高SVM模型的预测精度，本研究引入遗传算法(GA)全局自主寻找最优的SVM参数组合，建立GA-SVM高考成绩预测模型，并将其应用到贵州省某高中2016届学生高三的4次模拟考试成绩数据中，从而预测其高考成绩。……