[发明专利]一种基于大数据的学情预测方法

说明书

本发明公开了一种基于大数据的学情预测方法，该方法包括如下步骤：通过学情特征选择与数据预处理，得到学情样本数据集并分成训练集和测试集；然后搭建XGBoost学情预测模型，并基于鲸鱼优化算法和灰狼优化算法，利用训练集对模型的超参数分别进行调优，得到相应的超参数向量，并进一步基于鲸鱼优化算法和灰狼优化算法得到的超参数向量，得到XGBoost学情预测模型的最优超参数，完成模型训练；然后将测试集中的测试样本输入到训练好的XGBoost学情预测模型中，判断模型能否达到预期的预测效果，如果符合预期的预测效果，则利用训练好的XGBoost学情预测模型进行学情预测。本发明方法充分考虑了学情预测的影响因素，并通过上述几种方法的组合，利于提高学情预测的准确率。

技术领域

本发明属于学情预测技术领域，尤其涉及一种基于大数据的学情预测方法。

背景技术

为了避免学生因成绩不合格影响毕业和升学的情况，及时掌握学生学习状况，并准确预测学生的考试成绩，从而帮助教师提供更具针对性的教育方式，对高校教育来说具有重要意义。然而，目前在实际中，对学生成绩的预测往往仅依靠教师经验，受人为因素影响大，且没有科学合理地考察到学生的各项成绩相关因素，因此难以保证预测结果的客观性。

以往基于大数据的学情预测模型相对较少，即使目前已有通过神经网络算法综合考虑成绩相关因素进行成绩预测的研究，但是由于其准确性差、智能化程度低等原因，并没有得到较多实际应用。归结起来，已有的基于神经网络的学情预测方法存在如下问题：

在数据选择上：①.仅以以往的考试成绩作为预测依据，没有综合考虑学生行为习惯对成绩的影响；②.仅以历史学期数据作为预测依据，忽略学生在当前学期的学习状态；③.仅考虑学生自身学习状况，没有考量相应科目教师的教学水平和考试成绩水平；在模型搭建上：①.预测模型简单，难以挖掘学情特征间的深层联系，智能化程度低；②.预测模型泛化能力差，仅对模型训练过程中利用的数据有效，在实际应用难以达到理想预测效果。

发明内容

本发明的目的在于提出一种基于大数据的学情预测方法，该方法基于影响学生成绩的各项相关因素，构建学生学习成绩预测模型，进而从分散的信息化数据中挖掘出有效信息，提高学情预测的准确率。

本发明为了实现上述目的，采用如下技术方案：

一种基于大数据的学情预测方法，首先学情特征选择与数据预处理，得到学情样本数据集，并分成训练集和测试集；然后搭建XGBoost学情预测模型，并基于鲸鱼优化算法和灰狼优化算法，利用训练集分别对搭建的XGBoost学情预测模型的参数进行调优，得到相应的超参数向量，并进一步基于鲸鱼优化算法和灰狼优化算法分别得到的超参数向量，得到XGBoost学情预测模型的最优超参数，完成模型训练；然后将测试集中的学情样本输入到训练好的XGBoost学情预测模型中，判断XGBoost学情预测模型能否达到预期的预测效果，如果符合预期的预测效果，则利用训练好的XGBoost学情预测模型进行学情预测。

本发明具有如下优点：

1.本发明综合考虑学生的各项学情特征，相比于以往的仅依据学生历年成绩预测未来成绩的方式，本发明包含了更加全面的成绩影响因素，使学情预测更加科学、合理和完善。

2.本发明建立XGBoost学情预测模型进行学情大数据预测，目标函数能够同时根据实际数据自定义损失函数并控制模型复杂度，保证学情预测模型的准确度、简洁性和泛化能力。

3.本发明同时将鲸鱼优化算法和灰狼优化算法融合于XGBoost学情预测模型，用于XGBoost学情预测模型的超参数优化，进而提高了学情预测的准确率。

附图说明

图1为本发明实施例中基于大数据的学情预测方法的流程示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：