贫困生认定是目前高校学生工作的重要内容,是公平、公正、合理分配资助资源的重要前提。目前的大数据和机器学习技术则为贫困生精准认定提供了有效的解决途径。本文针对由于贫困生占比少而导致的数据不平衡、存在各种导致虚假认定的干扰因素等不确定性现象,提出了一种可变隶属度2C-FSVM(Dual-C-parameter Fuzzy Support Vector Machine)模型,并将其应用到贫困生辅助认定中。可变隶属度2C-FSVM模型不仅能够更好地解决实际贫困生数据集的不确定性、类不平衡性敏感的问题,而且还可以基于样本距离类中心的远近而采用不同的模糊隶属度计算方式,更细致地刻画数据样本点的不确定性。基于该模型,本文实现了一个有效的贫困生认定方法,不仅能更准确地实现贫困生的辅助认定,还能帮助发现“隐形贫困”和“虚假认定”的学生,从而提升高校的贫困生认定的效率和准确度,促进精准资助。首先,本文调研了贫困生认定问题的研究现状和支持向量机的研究现状,并重点分析了支持向量机中类不平衡问题和不确定性问题的研究发展现状。接着,对本文用到的技术进行了介绍,主要包括:支持向量机分类技术、基于随机森林的特征选择技术、类不平衡数据集的分类评价方法及K折交叉验证方法等。其次,针对贫困生辅助认定存在的类不平衡、不确定性问题,提出了一个改进的可变隶属度2C-FSVM模型,并推导出其拉格朗日对偶问题。在该模型中,每个数据样本点不仅被赋予所属类的惩罚代价,还根据其与类中心的距离而决定是否结合紧密度来计算模糊隶属度。进而将该模型在多个公开不平衡数据集上进行了对比实验。实验结果表明该模型相比于其它传统支持向量机,对含有不确定性的数据集中的少数类的识别更为精准,对数据集类不平衡性、不确定性的敏感性更低。最后,将提出的可变隶属度2C-FSVM模型应用于某高校贫困生的辅助认定。首先给出了一个整体应用流程,然后利用一卡通流水数据,训练可变隶属度2C-FSVM模型,从而得到贫困生辅助认定模型,利用其获得疑似“隐形贫困”和疑似“虚假认定”学生名单,实现高效贫困生辅助认定。