Published
2024-12-30
Section
Articles
How to Cite
基于机器学习的学生成绩预测研究
花 卉
金陵科技学院 计算机工程学院
陈 爱萍
金陵科技学院 计算机工程学院
DOI: https://doi.org/10.59429/jyyj.v6i12.8308
Keywords: 学生成绩预测;机器学习;回归分析;深度学习
Abstract
学生成绩是衡量学习效果和教学质量的重要指标,准确的成绩预测能够为个性化教学和学习干预提供有力 支持。本研究通过学生在不同知识点上的平时成绩构建回归模型,以预测期末成绩,并识别出对期末成绩有显著影 响的关键知识点。研究采用了数据预处理、特征选择、模型训练和评估等步骤,结果表明,平时成绩与期末成绩之 间存在显著的线性关系。通过对比 Ridge 回归、Lasso 回归和 Elastic Net 回归,研究不仅量化了各个知识点对期末成 绩的影响强度,还证明了这些模型具有较高的预测精度。这为教育工作者提供了基于数据的干预措施与个性化教学 指导的科学依据。
References
[1] 张广海,祖璇,王杨.基于DBO-SVM的学生成绩三分类预测模型[J].兰州文理学院学报(自然科学版),2024,38(2):56-61.
[2] 马婉晴,冯军,袁园.基于课程关联的高校学生成绩预测模型研究[J].浙江科技学院学报,2024,36(3):205-217.
[3] 杨佳骏,田圻,覃天.基于Transformer模型的学情预警系统[J].软件,2024,45(6):142-144.
[4] 潘花,仇海全,车金星.基于多元线性回归的数学建模成绩预测研究[J].南昌工程学院学报,2024,43(4):94-100.
[5] 李慧.融合情感特征的在线学习成绩预测研究[J].小型微型计算机系统,2023,44(7):1360-1366.
[6] 刘晓雲,刘鸿雁,李劲松,等.基于多元线性回归的学生成绩预测研究[J].计算机技术与发展,2022,32(3):203-208.
[7] Liu Y, Zhang J. Ridge and Lasso regression for handling multicollinearity in educational data[J]. Applied Mathematics and Computation,2020(385):125456.