基于Stacking集成学习模型的学生学习成绩预测研究  

作　　者：李杰 程鸿芳[1] 张磊 

机构地区：[1]芜湖职业技术学院信息与人工智能学院,安徽芜湖241006 [2]芜湖职业技术学院网络工程学院,安徽芜湖241006

出　　处：《科技风》2024年第26期33-35,共3页

基　　金：2023年度安徽省科研编制计划项目——基于物联网和大数据的汽车充电桩控制系统设计(项目编号:2023AH052385);2024年度芜湖职业技术学院校级科学研究项目(wzyzr202435);2023年质量工程项目(2023 jyxm1311);新时代职业学校名师(名匠)名校长培养计划。

摘　　要：以数据为载体驱动学生学习表现评估是教育领域的重要研究内容,鉴于单一学习模型在学习成绩预测时会出现泛化效果较差的情况,本文提出一种融合多个单一学习模型的Stacking集成学习模型,以KNN、逻辑斯谛回归、朴素贝叶斯、决策树四种模型作为集成学习模型的基分类器,选择XGBoost模型作为次学习器。结果表明,Stacking集成学习模型的准确率为99.4%、F1-score为96.18%,优于单一学习模型,对在线课程的学习成绩预测有较好的效果,能够有效预测学生的学习表现,为开展在线教学的教师提供学习预警。

关 键 词：在线学习 STACKING 集成学习 成绩预测 

分 类 号：G63[文化科学—教育学]