基于機器學(xué)習的學(xué)生成績預(yù)測研究

摘" 要：文章采用機器學(xué)習算法對學(xué)生的學(xué)習成績進行預(yù)測，主要利用了線性回歸、決策樹回歸和隨機森林回歸等方法。通過對某高校的數(shù)據(jù)集進行預(yù)處理、特征選擇和模型訓(xùn)練，文章發(fā)現(xiàn)決策樹回歸在預(yù)測學(xué)生成績方面具有較高的準確性和可解釋性。文章不僅有助于提高教育機構(gòu)的教學(xué)質(zhì)量，還可以為學(xué)生提供個性化的學(xué)習輔導(dǎo)和升學(xué)指導(dǎo)。

" 關(guān)鍵詞：機器學(xué)習；學(xué)生成績預(yù)測；決策樹回歸；特征工程

" 中圖分類號：G712" " 文獻標志碼：A" " DOI：10.13714/j.cnki.1002-3100.2025.07.043

Abstract： This study uses machine learning algorithms to predict students' academic performance， mainly using methods such as linear regression， decision tree regression， and random forest regression. Through preprocessing， feature selection， and model training on a dataset from a certain university， this study found that decision tree regression has high accuracy and interpretability in predicting student grades. This study not only helps to improve the teaching quality of educational institutions， but also provides personalized learning guidance and further education guidance for students.

Key words： machine learning; student performance prediction; decision tree regression; feature engineering

0" 引" 言

" 隨著教育信息化和大數(shù)據(jù)技術(shù)的不斷發(fā)展，學(xué)生成績預(yù)測成為了一個備受關(guān)注的研究領(lǐng)域。通過預(yù)測學(xué)生的學(xué)習成績，可以為教育機構(gòu)提供有效的教學(xué)策略，提高教學(xué)質(zhì)量。同時，學(xué)生也可以根據(jù)預(yù)測結(jié)果及時調(diào)整學(xué)習計劃，提高學(xué)習效果。本文旨在利用機器學(xué)習算法預(yù)測學(xué)生的課程成績，為教育領(lǐng)域提供有價值的參考信息。本文采用機器學(xué)習算法，基于學(xué)生歷史成績和其他相關(guān)數(shù)據(jù)，構(gòu)建預(yù)測模型。通過對比不同算法的性能，選擇最優(yōu)的模型進行預(yù)測。同時，本文還將探討影響學(xué)生成績的主要因素，以便更好地理解學(xué)生的成績表現(xiàn)。預(yù)測結(jié)果可以為教育機構(gòu)提供針對性的教學(xué)建議，幫助學(xué)生發(fā)現(xiàn)自身的學(xué)習問題，以及時調(diào)整學(xué)習策略。此外，學(xué)生成績預(yù)測還有助于教育公平，為教師和學(xué)生提供更加精準的教學(xué)和學(xué)習方向，進一步推動教育信息化的進程。因此，本文具有重要的理論和實踐意義，將為未來的教育領(lǐng)域提供有力的支持。

1" 相關(guān)背景知識

" 機器學(xué)習是人工智能的一個重要分支，它通過分析大量數(shù)據(jù)并自動發(fā)現(xiàn)規(guī)律和模式來進行預(yù)測和決策。在預(yù)測學(xué)生成績方面，機器學(xué)習可以克服傳統(tǒng)方法的局限性和主觀性，提高預(yù)測的準確性和可靠性。線性回歸、決策樹回歸和隨機森林回歸等算法是常用的預(yù)測方法，在處理復(fù)雜和非線性的數(shù)據(jù)關(guān)系方面具有較好的性能。

" 國內(nèi)對于學(xué)生成績預(yù)測的研究起步較晚，但近年來發(fā)展迅速。研究者們利用不同的機器學(xué)習算法，如線性回歸、決策樹回歸和隨機森林回歸等，對學(xué)生成績進行預(yù)測。這些研究主要集中在高等教育領(lǐng)域，如大學(xué)、研究生等。隨著教育信息化和大數(shù)據(jù)技術(shù)的不斷發(fā)展，教育大數(shù)據(jù)在學(xué)生成績預(yù)測方面的應(yīng)用逐漸受到關(guān)注。國內(nèi)研究者們通過收集和分析大量的教育數(shù)據(jù)，挖掘?qū)W生成績的潛在規(guī)律和影響因素，為預(yù)測學(xué)生成績提供有力支持。

" 國外對于學(xué)生成績預(yù)測的研究起步較早，已經(jīng)取得了一定的研究成果。研究者們不僅利用傳統(tǒng)的機器學(xué)習算法，還嘗試引入深度學(xué)習等先進技術(shù)，以提高預(yù)測的準確性和穩(wěn)定性。此外，國外的研究還涉及到學(xué)生的輟學(xué)預(yù)警、課程通過率等方面的預(yù)測。在國外，教育數(shù)據(jù)挖掘作為一個相對成熟的領(lǐng)域，已經(jīng)廣泛應(yīng)用于學(xué)生成績預(yù)測等方面。研究者們通過挖掘教育數(shù)據(jù)中的潛在信息和模式，發(fā)現(xiàn)學(xué)生成績的規(guī)律和影響因素，為教育決策和實踐提供有力支持。在學(xué)生成績預(yù)測領(lǐng)域，最新的研究成果主要集中在以下幾個方面：深度學(xué)習算法的應(yīng)用、集成學(xué)習方法的探索、個性化預(yù)測模型的構(gòu)建、跨學(xué)科領(lǐng)域的應(yīng)用研究和隱私保護與倫理考慮等。

2" 數(shù)據(jù)收集與預(yù)處理

" 在進行學(xué)生成績預(yù)測研究之前，數(shù)據(jù)收集和預(yù)處理是至關(guān)重要的步驟?？紤]到研究的針對性和實用性，選擇了學(xué)院物流職業(yè)本科學(xué)生在《物流大數(shù)據(jù)分析》的課程數(shù)據(jù)作為研究對象。以下是具體的數(shù)據(jù)收集和預(yù)處理過程。

2.1" 數(shù)據(jù)收集

" 為了獲取具有代表性和普適性的數(shù)據(jù)集，從學(xué)院的教務(wù)系統(tǒng)中導(dǎo)出了物流職業(yè)本科學(xué)生的相關(guān)信息。這些信息包括以下幾個部分：

" （1）學(xué)生基本信息：包括學(xué)生的姓名、性別、年齡、聯(lián)系方式等。這些信息有助于了解學(xué)生的基本背景，為后續(xù)的特征選擇和模型構(gòu)建提供基礎(chǔ)。

" （2）課程信息：包括課程名稱、課程學(xué)分、課程性質(zhì)（必修/選修）、授課教師等。這些信息用于了解學(xué)生的學(xué)習內(nèi)容和課程安排。

" （3）成績信息：這是研究的重點，包含了學(xué)生在課程學(xué)習期間的所有過程性成績，收集了學(xué)生的簽到、測試、活動、考試評分等。

2.2" 數(shù)據(jù)預(yù)處理

" 在數(shù)據(jù)預(yù)處理階段，進一步對《物流大數(shù)據(jù)分析》課程的數(shù)據(jù)進行了以下處理：

" （1）合并數(shù)據(jù)。由于2019級和2020級學(xué)生的課程教學(xué)內(nèi)容與教師均保持一致，將這兩個年級組的課程數(shù)據(jù)進行了合并，以增加數(shù)據(jù)集的大小和多樣性，提高模型的泛化能力，最后檢查合并后的數(shù)據(jù)集，確保沒有重復(fù)或不一致的記錄。

（2）數(shù)據(jù)隨機化。為了確保數(shù)據(jù)集內(nèi)部的隨機性和均勻性，使用隨機化組件對所有行順序進行了隨機打亂。這一步是必要的，因為它可以消除任何潛在的順序或模式，從而使得模型在訓(xùn)練時不會產(chǎn)生偏差。

" （3）數(shù)據(jù)規(guī)范化。對于一些連續(xù)型的特征，如學(xué)生的成績，進行了規(guī)范化處理，計算每個特征的最小值和最大值。規(guī)范化是將數(shù)據(jù)限制在一定范圍內(nèi)的過程，這里使用公式value-min/max-min將其縮放到0～1之間。這有助于提高模型的收斂速度和穩(wěn)定性。對于分類特征，進行獨熱編碼（One-Hot Encoding）。

" （4）處理缺失值。在原始數(shù)據(jù)中，可能存在一些缺失值。根據(jù)實際情況對缺失值進行了處理。分辨關(guān)鍵特征和非關(guān)鍵特征，對于一些關(guān)鍵特征的缺失值，選擇刪除含有缺失值的行；對于非關(guān)鍵特征的缺失值，采用均值或中位數(shù)填充。

" （5）特征選擇與工程。特征選擇是數(shù)據(jù)預(yù)處理的重要步驟，它可以幫助選擇與預(yù)測目標最相關(guān)的特征，從而提高模型的預(yù)測性能。對所有特征進行了評估，并選擇了與《物流大數(shù)據(jù)分析》課程成績最相關(guān)的特征。此外，還進行了一些特征工程，如組合特征、離散化連續(xù)特征等，用分箱（Binning）對某些連續(xù)特征進行離散化處理，以增加數(shù)據(jù)的多樣性和模型的表達能力。

" （6）生成CSV文檔。在完成上述預(yù)處理步驟后，將處理后的數(shù)據(jù)集保存為CSV格式的文檔。CSV格式是一種通用的數(shù)據(jù)交換格式，易于讀取和寫入，方便后續(xù)的模型訓(xùn)練和評估。

" 通過上述的數(shù)據(jù)預(yù)處理步驟，得到了一個適用于學(xué)生成績預(yù)測的標準化CSV數(shù)據(jù)集，為后續(xù)的模型構(gòu)建和評估提供了可靠的數(shù)據(jù)基礎(chǔ)。

2.3" 數(shù)據(jù)可視化探索

" 期初基于前序課程的云班課采集數(shù)據(jù)，對學(xué)生過往的學(xué)習習慣進行分析。對學(xué)生進行聚類分析，將學(xué)生分成3簇，通過箱線圖結(jié)果發(fā)現(xiàn)：學(xué)生出勤率與資源發(fā)布查看率幾乎達到100%，學(xué)生整體擁有非常好的出勤與預(yù)習習慣，期末成績良好以上的同學(xué)在測試活動與作業(yè)活動中均能取得更高的分數(shù)，知識掌握更加扎實。此外，學(xué)生的創(chuàng)新思維稍顯薄弱，根據(jù)頭腦風暴得分，僅有成績整體最優(yōu)的C2組學(xué)生能提供有價值的發(fā)散思維答案。 通過記錄選擇，得到對應(yīng)各簇的學(xué)生名單，便于開展個性化的導(dǎo)學(xué)設(shè)計。通過進行特征間的成對斯皮爾曼相關(guān)性分析，得到平時EXCEL練習作業(yè)成績與期末成績的相關(guān)性最強，平時作業(yè)由于是復(fù)雜計算步驟的集合，更能反映學(xué)生真實水平。測試成績與期末成績相關(guān)性偏低，說明學(xué)生的基礎(chǔ)知識掌握能力不差，但對知識的復(fù)雜應(yīng)用能力欠佳，應(yīng)從實訓(xùn)任務(wù)中加強。

3" 基于機器學(xué)習的學(xué)生成績預(yù)測模型構(gòu)建

" 在模型構(gòu)建階段，選擇了線性回歸、決策樹回歸和隨機森林回歸等機器學(xué)習算法進行學(xué)生成績預(yù)測。這些算法在預(yù)測領(lǐng)域有廣泛的應(yīng)用，并且能夠處理各種類型的數(shù)據(jù)。

3.1" 線性回歸

" 線性回歸是一種廣泛應(yīng)用的預(yù)測模型，它的核心思想是通過找到一個最佳擬合直線來預(yù)測因變量的值。這種模型在許多領(lǐng)域都有應(yīng)用，包括金融、醫(yī)療和科學(xué)研究。在教育領(lǐng)域中，線性回歸也被廣泛應(yīng)用于學(xué)生成績的預(yù)測。在《物流大數(shù)據(jù)分析》這門課程的成績預(yù)測中，可以使用線性回歸模型。具體來說，可以將學(xué)生的各種特征作為自變量，例如學(xué)習時長、練習題分數(shù)、課堂參與度等，而將課程成績作為因變量。通過線性回歸模型，可以分析這些特征與成績之間的關(guān)系，并根據(jù)這些關(guān)系預(yù)測學(xué)生的成績。線性回歸模型的優(yōu)勢在于其簡單易懂，能夠直觀地解釋各個特征對成績的影響。通過回歸系數(shù)，可以清楚地看到每個特征對成績的貢獻程度。這有助于理解學(xué)生的學(xué)習行為和模式，從而更好地指導(dǎo)學(xué)生。然而，線性回歸模型也有其局限性。假設(shè)數(shù)據(jù)之間存在線性關(guān)系，即因變量與自變量之間的關(guān)系可以用一條直線來描述。但在許多情況下，這種關(guān)系可能是非線性的。如果數(shù)據(jù)之間存在非線性關(guān)系，線性回歸模型可能無法得到理想的結(jié)果。在這種情況下，可能需要使用其他更復(fù)雜的模型，如多項式回歸、邏輯回歸或神經(jīng)網(wǎng)絡(luò)等。總的來說，雖然線性回歸是一種簡單且常用的預(yù)測模型，但在使用它來預(yù)測學(xué)生成績時，需要考慮到其假設(shè)和限制。在某些情況下，可能需要結(jié)合其他模型和方法來提高預(yù)測的準確性和可靠性。

3.2" 決策樹回歸

" 決策樹回歸是一種分類和回歸樹（CART）的變種，它通過構(gòu)建決策樹來預(yù)測連續(xù)的因變量值。在成績預(yù)測中，可以用決策樹回歸來預(yù)測學(xué)生的成績。決策樹回歸的可解釋性強，能夠清楚地展示特征如何影響預(yù)測結(jié)果。決策樹回歸的一個顯著優(yōu)點是其可解釋性強。通過觀察決策樹的節(jié)點和分支，可以清楚地看到每個特征如何影響預(yù)測結(jié)果。這種可視化方式有助于我們理解學(xué)生的學(xué)習行為和模式，從而更好地指導(dǎo)學(xué)生。此外，決策樹回歸也易于理解和實現(xiàn)，不需要復(fù)雜的數(shù)學(xué)背景。然而，可能會過擬合訓(xùn)練數(shù)據(jù)，導(dǎo)致泛化能力較弱。

3.3" 隨機森林回歸

" 隨機森林回歸是一種集成學(xué)習算法，通過構(gòu)建多個決策樹并綜合它們的預(yù)測結(jié)果來提高預(yù)測精度和穩(wěn)定性。在成績預(yù)測中，可以使用隨機森林回歸來預(yù)測學(xué)生的成績。隨機森林回歸具有較好的泛化能力和魯棒性，能夠處理特征選擇和特征工程。然而，需要較大的計算資源和存儲空間，并且可能產(chǎn)生過擬合問題。

為了獲得最佳的模型性能，對模型進行了超參數(shù)調(diào)整和優(yōu)化。具體調(diào)整了以下參數(shù)的數(shù)值：（1）學(xué)習率（Learning Rate）。學(xué)習率決定了模型在訓(xùn)練過程中的更新幅度。嘗試了不同的學(xué)習率值，包括0.01、0.05、0.1等，以找到最佳的學(xué)習率。通過比較不同學(xué)習率下的模型性能指標，發(fā)現(xiàn)學(xué)習率為0.05時，模型的性能表現(xiàn)最佳；（2）迭代次數(shù)（Epochs）。迭代次數(shù)是指模型在整個數(shù)據(jù)集上訓(xùn)練的次數(shù)。嘗試了不同的迭代次數(shù)，如10、20、30等，發(fā)現(xiàn)迭代次數(shù)為20時，模型的性能表現(xiàn)最佳；（3）正則化參數(shù)（Regularization Parameters）。正則化是一種防止模型過擬合的技術(shù)。嘗試了不同的正則化參數(shù)，如L1正則化、L2正則化和Dropout等，以選擇最佳的正則化方法及其參數(shù)值，發(fā)現(xiàn)使用L2正則化時，模型的性能表現(xiàn)最佳，且正則化參數(shù)為0.01時效果較好；（4）樹的深度（Tree Depth）。對于決策樹和隨機森林等模型，嘗試了不同的樹深度，如3、5、7等，發(fā)現(xiàn)樹深度為5時，模型的性能表現(xiàn)最佳。

" 在調(diào)整這些超參數(shù)時，采用了交叉驗證技術(shù)。具體來說，將數(shù)據(jù)集分成10份，其中9份用于訓(xùn)練，1份用于測試。重復(fù)進行10次，以獲得更加穩(wěn)定和可靠的評估結(jié)果。通過比較不同超參數(shù)組合下的模型性能指標（如MSE、RMSE、MAE等），選擇出了最佳的超參數(shù)組合。除了交叉驗證外，還采用了其他驗證技術(shù)來評估模型的性能，包括內(nèi)部和外部驗證。

" 在模型構(gòu)建階段，選擇了線性回歸、決策樹和隨機森林等機器學(xué)習算法進行學(xué)生成績預(yù)測，并選擇了決策樹回歸作為主要的預(yù)測模型。在構(gòu)建模型時，采用了適當?shù)奶卣鬟x擇和特征工程方法，以提高模型的預(yù)測性能和可解釋性。同時，對模型進行了超參數(shù)調(diào)整和優(yōu)化，以獲得最佳的模型性能。在模型訓(xùn)練過程中，采用了適當?shù)尿炞C技術(shù)來評估模型的性能，并進行了多次實驗和交叉驗證以獲得可靠的結(jié)果。模型評估結(jié)果如圖1所示。

為了客觀地評估模型的性能，采用了均方誤差（MSE）和均方根誤差（RMSE）等評估指標，并將預(yù)測結(jié)果與實際成績進行了比較和分析。在模型評估中，采用了交叉驗證的方法，將數(shù)據(jù)集分成10份，其中9份用于訓(xùn)練，1份用于測試，重復(fù)進行10次，以獲得更加穩(wěn)定和可靠的評估結(jié)果。同時，還采用了分層留一法檢驗，以保證評估結(jié)果的公正性和準確性。通過對不同模型的比較和分析，發(fā)現(xiàn)決策樹回歸在預(yù)測學(xué)生成績方面具有較高的準確性和可解釋性。與其他算法相比，決策樹回歸在處理非線性數(shù)據(jù)關(guān)系方面具有較好的性能。同時，還對模型的過擬合和欠擬合問題進行了分析和處理，以確保模型的泛化能力。為了深入了解模型的內(nèi)部工作機制和各特征對學(xué)生成績的影響，進行了特征重要性和模型解釋性分析。這些分析有助于更好地理解模型的預(yù)測結(jié)果，并為未來的研究提供有價值的參考信息。

4" 實際應(yīng)用與改進方向

基于機器學(xué)習的學(xué)生成績預(yù)測具有廣泛的實際應(yīng)用價值。首先，教育機構(gòu)可以根據(jù)預(yù)測結(jié)果制定個性化的教學(xué)計劃和教學(xué)策略，提高教學(xué)質(zhì)量和學(xué)生的學(xué)習效果。其次，學(xué)生可以根據(jù)預(yù)測結(jié)果及時調(diào)整學(xué)習計劃和學(xué)習方法，提高學(xué)習效果和學(xué)業(yè)成績。此外，學(xué)生成績預(yù)測還可以應(yīng)用于升學(xué)指導(dǎo)和職業(yè)規(guī)劃等方面，為學(xué)生提供更全面的發(fā)展建議。未來改進方向包括集成學(xué)習、深度學(xué)習等新技術(shù)的應(yīng)用以及更全面的數(shù)據(jù)集和更精細的特征工程等。通過集成學(xué)習技術(shù)可以將多個模型的預(yù)測結(jié)果進行融合，進一步提高預(yù)測的準確性和穩(wěn)定性。深度學(xué)習技術(shù)可以處理更復(fù)雜和抽象的數(shù)據(jù)特征，進一步提高預(yù)測的性能和泛化能力。更全面的數(shù)據(jù)集和更精細的特征工程可以提供更多有效信息用于訓(xùn)練模型和提高預(yù)測效果。

參考文獻：

[1] 李凱偉. 基于機器學(xué)習的高校學(xué)生成績預(yù)測[J]. 計算機時代，2023（12）：220-223.

[2] 劉曉雲(yún)，劉鴻雁，李勁松，等. 基于特征選擇的學(xué)生成績預(yù)測方法研究[J]. 信息技術(shù)，2023（10）：17-22.

[3] 潘婭媚. 面向“云課堂+MOOC”的物流教學(xué)改革策略研究[J]. 物流科技，2023，46（18）：157-160.

收稿日期：2024-01-24

基金項目：海南省教育廳科學(xué)研究項目“數(shù)據(jù)驅(qū)動的海南物流職業(yè)本科學(xué)生學(xué)情分析與成績預(yù)測研究”（Hnky2023-73）；海南經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院院級重點課題項目“基于大數(shù)據(jù)的物流管理職業(yè)本科學(xué)生學(xué)情診斷與教學(xué)干預(yù)研究”（hnjmk2022103）

作者簡介：李蕓嘉（1989—），女，內(nèi)蒙古赤峰人，海南經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院，講師，碩士，研究方向：物流與供應(yīng)鏈；丁" 琪（1979—），女，內(nèi)蒙古通遼人，海南經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院，副教授，研究方向：倉儲與配送管理。

引文格式：李蕓嘉，丁琪. 基于機器學(xué)習的學(xué)生成績預(yù)測研究[J]. 物流科技，2025，48（7）：178-180.