精准扶贫的实质是政府对贫困家庭和成员进行有效识别,挖掘贫困的原因和程度,并开展切实有效的帮扶,从根本上打破贫困的藩篱,进而实现到2020年之前现有贫困人口全面脱贫。随着我国经济的高速发展,带来的国民收入水平严重不平衡,从前那种粗放式的针对区域的扶贫方式早已不适用我国,在这种情况下精准扶贫应运而生。至目前为止,精准扶贫的主要困难点在于“精准识别”、“精准扶持”、和“精准监控”这几个方面。精准识别作为精准扶贫的基础和最重要的一环,一定要做到足够精确,如果贫困户都识别错误,对贫困户的精准扶持就没有任何意义。近些年来,传统的扶贫技术和模式遇到了困境,因为从前那种粗放针对区域的扶贫模式效率很低,如今很难识别出谁是真正的贫困户,所以传统的扶贫模式急需改变。与此同时,大数据技术在近年来得到飞速发展,并被国家定为重点发展方向,所以通过大数据技术与精准扶贫有机结合的视角来研究精准扶贫绩效提升机制,从而深入推进大数据技术在扶贫开发领域的全面应用。利用数据挖掘的知识在大数据计算框架Spark下对贫困人口进行精准识别,与传统的识别方式相比用海量样本代替抽样样本,显然有更高的准确性更强的说服力,也有利于发现真正的致贫原因以及今后的帮扶。本文基于黑龙江省精准扶贫建档立卡贫困村数据,以及非贫困户数据按比例生成3400万条样本数据,做了如下工作:通过大数据和数据挖掘知识,利用大数据计算框架Spark中的机器学习ML Pipeline模块对贫困户进行建模分类预测。首先进行数据预处理,包括对贫困户数据进行特征抽取、特征转换,然后利用随机森林算法,Logistic算法以及新提出的瀑布模型分别构建贫困户识别模型。最后对几种贫困户识别模型进行对比评估,通过10次抽取检验集数据检验三种模型的AUC平均值,然后用三种模型对100条真实贫困户数据进行分类,检验模型对真实贫困户数据的识别能力。根据三种模型的AUC平均值,三种模型对真实贫困户的识别准确率以及三种模型的构建时间来评估三种贫困户识别模型,最后以此得出结论。