何功炳

(安徽职业技术学院 国资办，安徽 合肥 230011 )

笔者在“安徽省高职院校智慧校园的建设与实践” 工程项目的建设研究中发现，利用高校一卡通数据对现有贫困生进行判定[1]，存在一定的不确定性，如一卡通消费数据属性虽然涵盖了交易额、交易时间、交易类型等二十至三十维，但其中多个数据属性或其属性组合对学生的贫困判定影响较小甚至没有影响。基于此，本文提出了基于改进主成分分析法的特征约简算法，结合消费数据挖掘，引入GBDT算法进行维度缩减，为实现高校贫困生判定提供数据处理基础。

1 特征约简算法介绍

1.1 主成分分析法

PCA算法被称为主分量分析方法，其在维度降低的基础上，将多维体系特征转换为少量限定综合体系特征。PCA算法的数学原理是指将相应矩阵所在的目标数据映射到其他的空间中，即为求取的特征根和特征向量的过程[2]—[3]。

针对具有高阶相关性的属性特征，或属性主特征的非正交方向上有多个方差较大的情况下，PCA算法的属性约简性能会大大降低。因此，本文要引入GBDT算法更新PCA算法的初始输入，在GBDT算法多参数的干预下实现数据个性化预处理，降低样本属性特征的高阶相关性，从而快速计算得到方差较大的方向向量，实现样本属性约简。

1.2 梯度提升决策树算法

2 改进后的PCA算法

2.1 算法思想

针对现今属性约简方法的数量大、低信息和占用资源多等问题，本文利用梯度提升决策树算法优化原始主成……