基于K-XGBoost融合模型的高校学生学情预测研究

作者：赵宇奔; 王鑫宁; 李崇

来源：南京师大学报(自然科学版), 2023, 46(03): 89-97.

DOI：10.3969/j.issn.1001-4616.2023.03.012

• K-XGBoost
• 学情预测
• 数据挖掘
• 机器学习
• 集成学习

高精准的学情预测是提升高校教学水平促进教学改革的重要技术手段.目前学情预测存在数据维度单一和数据结构不平衡等问题，降低了预测模型的准确性与泛化能力.为此，本文提出了K-XGBoost学情预测融合模型.首先，该模型通过精准特征提取与重构，构建基于高校教务处数据库的多维度学情特征集；其次，设计基于最小2-范数的聚类算法，创新性地建立无监督数据平衡化机制；最后，基于损失函数优化的XGBoost集成学习方法设计学情预测模块，构建高准确性和高泛化能力的K-XGBoost学情预测融合算法.实验结果表明，K-XGBoost多个子类模型的预测值均较好地逼近真实值，可将成绩预测结果的平均绝对误差(MAE)和均方根误差(RMSE)相较基线XGBoost模型分别降低了76.19%、85.33%,显著提升了学情预测的准确性和泛化能力.

• 单位
  中国海洋大学