基于增强的蝙蝠算法和支持矢量机器的机器学习预测模型用于缓慢的就业预测

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 数据挖掘 数据挖掘

背景情况:

• 大学学生就业对于国家发展和社会稳定至关重要.
• 越来越多的毕业生,就业压力和疫情加剧了"缓慢就业"的挑战.
• 数据挖掘和机器学习为研究生就业预测和指导提供了解决方案.

研究的目的:

• 开发一个准确和可解释的模型来预测大学毕业生就业前景.
• 为了解决新毕业生中"就业缓慢"日益严重的问题.
• 为大学,政府和学生提供有效的就业指导.

主要方法:

• 提出了一个特征选择预测模型 (bGEBA-SVM),将一个增强的蝙蝠算法与支持向量机器相结合.
• 利用基于高斯分布和消除策略来优化特征选择,以提高效率和准确性.
• 在2022年江省1694名大学毕业生的数据集上训练并测试了该模型.

主要成果:

• 该bGEBA-SVM模型实现了93.86%的预测准确度.
• 确定了影响就业结果的关键因素,包括进一步教育,学生领导经验,家庭情况,职业规划和就业结构.
• 与同行和众所周知的机器学习模型相比,表现出卓越的性能.

结论:

• bGEBA-SVM模型是一个高性能和可解释的工具,用于研究生就业预测.
• 这些发现为改善毕业生就业服务和战略提供了宝贵的见解.
• 该研究提供了一种可行的解决方案,以缓解"就业缓慢"的问题.