林泓斌 李佳莲

（广州大学数学与信息科学学院，广东 广州 511400）

引言

机器学习算法作为AI领域的重要分支，将其应用于智能系统中能够有效提升经验学习过程中的算法性能，为机器执行各项任务、辅助决策制定等功能实现提供支持。成绩评估预测是衡量学生学习效果与自我效能感的重要尺度，通过运用算法建立预测模型，能够为学习者考试成绩预测及决策制定提供重要支持。

一、典型机器学习算法

1.线性判别分析

线性回归算法主要适用于针对连续变量进行建模，对其变化结果进行预测。线性回归作为一种基础回归形式，通常借助直线拟合数据集，依托变量间的线性关系保障提高成功率，在数据分析和预处理上呈现出良好性能优势，可实现对学习数据的简化。作为线性回归算法中的重要分支，线性判别分析算法常应用于数据降维，再将多种数据分类后提炼出其中不同类数据的差异，增强不同类对象或事件间的分离性，在考试成绩预测、产品销售业绩评估等方面具备较强适用性[1]。

2.支持向量机

该算法常被应用于处理回归、分类等问题，通过寻找分类超平面作为决策边界，将位于同一组内的不同类对象分离，能够在训练数据集中筛选出正确的类别对象[2]。设样本集为{(x,y)|x∈Rn,yi=±1,i=1,2,...,l}，将分类超平面的法向量设为ω、截距为b、松弛变量为ζi、惩罚系数为C，则可将分类超平面定义为：

在运用该算法建立学习模型时，首要前提是定义最优分类面，引入软间隔或核函数实现对线性不可分及非线性问题的解决，在文本分类、面部识别等领域具备良好应用价值。……