数据挖掘的大学毕业生就业预测研究

黄博宇

(西安工程大学 服装与艺术设计学院， 陕西 西安 710048)

0 引言

随着大学不断的扩招，大学生的数量急剧增加，这给大学毕业生就业带来了一定的困难[1-2]。而大学毕业就业率对于社会稳定、大学的发展都起着举足轻重的作用。因此，大学毕业生就业预测研究成为当前的热点问题[2]。

近十多年来，国内一些学者和专家以及一些研究机构对大学毕业生就业问题进行了一系列的分析，提出了许多有效的大学毕业生就业预测模型[4-6]，如线性回归模型、灰色理论的GM(1,1)模型、神经网络、支持向量机等，其中线性回归模型、灰色理论的GM(1,1)模型只能描述大学毕业生就业的线性变化特点，使得大学毕业生就业预测误差相当大，无法满足大学的发展要求。神经网络虽然有比较好的非线性建模能力，但是其要求大学毕业生就业的历史数据多，使得大学毕业生就业成本高，而且大学毕业生就业历史样本实际很少，而且神经网络本身的结构比较复杂，使得大学毕业生就业预测结果不稳定[7-9]。支持向量机的大学毕业生就业预测效果要优于其他方法，是一种大数据分析技术，但是其参数影响大学毕业生就业预测结果，如何确定最优参数是关键[10]。

针对当前大学毕业生就业预测精度低、效率低等缺陷，为了获取更优的大学毕业生就业预测结果，提出基于数据挖掘的大学毕业生就业预测模型，在MATLAB 2019的平台下对大学毕业生就业预测模型的性能进行了仿真对比测试，验证了本文模型的优越性。……