基于最优多标签集成模型的学生成绩预测
计算机与社会
2019-09-18 v1 机器学习
机器学习
摘要
学业环境中学生成绩是衡量教育质量的重要指标之一。如今，教育机构存储了关于学生的大量数据，可借助数据挖掘技术揭示学生学习状况的洞见，并提前预测如何提升其成绩。本文中，我们开发了一个学生成绩预测模型，可预测高中生下一学期五门课程的成绩。我们将预测系统建模为多标签分类任务，并使用支持向量机(SVM)、随机森林(RF)、K近邻(KNN)和多层感知机(MLP)作为基分类器来训练模型。我们进一步采用最先进的划分方案将标签空间划分为更小空间，并使用标签幂集(LP)变换方法将每个标签集转化为多类分类任务，从而提升了预测模型性能。所提模型在各项评价指标上均优于其他多标签学习方法（如二元相关性及分类器链）。
引用
@article{arxiv.1909.07444,
title = {Student Performance Prediction with Optimum Multilabel Ensemble Model},
author = {Ephrem Admasu Yekun and Abrahaley Teklay},
journal= {arXiv preprint arXiv:1909.07444},
year = {2019}
}