孙含笑

摘  要： 影响大数据人才就业收入的因素纷繁复杂，难以确定其关键影响条件，影响了潜在从业者的就业选择以及从业人员的自我提升方向。针对这一社会热点问题，建立基于信息熵的机器学习模型-分类决策树，分析影响收入的关键因素，进而提出一种基于Keras搭建的新型高精准率神经网络收入分类模型。该模型能够精准地确定影响大数据人才收入的主要因素，为大数据行业相关人员提供从业指导与帮助。

关键词： 大数据; 信息熵; 机器学习; 分类决策树; 神经网络

中图分类号：TP391.4          文献标识码：A     文章编号：1006-8228（2021）09-26-03

Abstract： The factors that affect the employment income of big data employees are complex， which makes it difficult to determine the key influencing conditions， and affects the employment choice of potential practitioners and the direction of self promotion of employees. In view of this hot social issue， this paper establishes an information entropy based machine learning model， the classification decision tree， to analyze the key factors affecting income， and thereafter proposes a new high precision neural network revenue classification model based on Keras. The model can accurately determine the main factors affecting the income of big data employees， and provide guidance and help for the relevant personnel in big data industry.

Key words： big data; information entropy; machine learning; classification decision tree; neural network

0 引言

数据科学与大数据技术，简称大数据。大数据是一个新学科。这几年“大数据”成为发展最快的行业。大数据人才短缺成为掣肘大数据行业发展的重要因素之一，培养适合社会需求的大数据人才是高等教育亟待解决的问题[1]。面对现状，国内众多高校开设了大数据专业，源源不断地向国家输入大数据人才。而大数据人才在就业后的工资收入也成为热议，基于2020年大数据就业统计，研究了北京、上海、广州、深圳等四个一线城市，以及南京、西安、郑州、杭州等四个二线城市的大数据人才就业数据，以期通过现有的数据获得一个好的收入分类模型。

在现有的机器学习[2]分类模型当中，首先考虑决策树分类[3]模型。决策树方法最早产生于上世纪六十年代到七十年代末，由JRoss Quinlan提出了ID3算法[4]，此算法的目的在于减少树的深度。ID3算法在进行特征选择时，ID3算法优先选择信息增益最大的特征，即优先选择对整个系統贡献最大的特征。……