基于群智能增强核极限学习机的创新人才预测模型

摘要

为解决高校创新人才传统预测方法存在主观性强、准确度低等问题，提出了一种融合信息引导交流搜索策略的粒子群优化算法与核极限学习机的高校创新人才智能预测模型。该模型利用改进的粒子群优化算法增强种群多样性与全局寻优能力，以提升核极限学习机的分类性能，旨在更科学、客观地识别与选拔创新人才。为验证模型有效性，通过十折交叉验证在高校创新人才数据集上进行实验，结果表明：本文模型在分类准确率（86.05%）、灵敏度（89.74%）、特异性（83.24%）和马修斯相关系数（72.42%）上均优于多种对比模型。研究结果证实了该模型在高校创新人才预测方面的显著优势，为人才的科学选拔与培养提供了新的技术手段，具备良好的应用前景。

关键词

机器学习 / 创新人才预测 / 核极限学习机 / 粒子群优化