张 凯，闫立强，刘 畅，杜亚冰

(河南城建学院，河南 平顶山 467036)

是否报考研究生是本科生毕业前面临的重要选择之一，若能对考研结果进行预测，将对本科生的报考决策和学校分类教学管理产生积极影响。目前，已有一些文献使用机器学习算法研究考研预测问题，如李楠等提出基于Logistics算法的考研成绩变量预测方法[1]；王西平提出了改进加权的KNN算法考研预测模型[2]；郑宝乐等提出了基于线性判决分析降维(LDA) 结合支持向量机(SVM) 建立学习模型的方法[3]；黄炎对比了朴素贝叶斯算法、线性回归和决策树相结合的算法、LIBSVM向量机等三种算法的考研结果预测准确率[4]；李驰利用基于遗传算法优化的BP神经网络对考研结果进行了预测[5]；张凤霞等选取若干个家庭因素、个人因素、校园因素和专业因素等作为特征子集，使用CSVM、PSVM、TSVM分别对报考意愿进行了预测[6]。这些文献大多将已报考学生的在校成绩作为样本集训练预测模型，取得了较高的准确度。

图1 分阶段考研预测示意图

考研预测按时间顺序可划分为“意愿预测”和“结果预测”(含成绩预测)(见图1)。“意愿预测”是在报考前，预测是否报考；“结果预测”是在报考后，预测考研结果(含考研成绩)。以上文献均为“意愿预测”或“结果预测”。而从考研预测的实际场景出发，若合并两种预测，将会大大增加预测模型的实用性，因此，本文尝试以报考前某校所有理工科本科生的学业成绩作为样本集，建立一种基于支持向量机的考研结果预测模型。……