面向?qū)W生成績(jī)預(yù)測(cè)的組合優(yōu)化算法

黨佳俊，張宏烈，慕鋼，李誠(chéng)，張曉琳

面向?qū)W生成績(jī)預(yù)測(cè)的組合優(yōu)化算法

黨佳俊1，張宏烈1，慕鋼1，李誠(chéng)1，張曉琳2

（1. 齊齊哈爾大學(xué) 計(jì)算機(jī)與控制工程學(xué)院，黑龍江 齊齊哈爾 161006；2. 齊齊哈爾市建華區(qū)教師進(jìn)修學(xué)校 信息技術(shù)部，黑龍江 齊齊哈爾 161006）

利用機(jī)器學(xué)習(xí)算法分析和預(yù)測(cè)學(xué)生成績(jī)是大數(shù)據(jù)技術(shù)應(yīng)用之一．將啟發(fā)式算法與梯度提升算法相結(jié)合，提出組合優(yōu)化算法預(yù)測(cè)模型．首先，通過(guò)采用動(dòng)態(tài)對(duì)立學(xué)習(xí)增加種群初始化的多樣性，引入非線性收斂因子和自適應(yīng)權(quán)重等方法，得到增強(qiáng)鯨魚算法，改進(jìn)原來(lái)的全局搜索和局部開發(fā)能力．其次，基于XGboost模型加以增強(qiáng)鯨魚算法的迭代，動(dòng)態(tài)優(yōu)化XGboost的超參數(shù)，提出組合算法預(yù)測(cè)模型．準(zhǔn)確率ACC作為模型的評(píng)價(jià)標(biāo)準(zhǔn)，以學(xué)生數(shù)據(jù)集為研究對(duì)象，以學(xué)生成績(jī)預(yù)測(cè)為目標(biāo)，選用5種算法進(jìn)行對(duì)比實(shí)驗(yàn)．實(shí)驗(yàn)結(jié)果表明，組合算法的預(yù)測(cè)準(zhǔn)確度相對(duì)較高．

組合優(yōu)化算法；增強(qiáng)鯨魚算法；XGboost算法；學(xué)生成績(jī)預(yù)測(cè)

學(xué)生成績(jī)預(yù)測(cè)是目前教育領(lǐng)域研究的熱點(diǎn)之一．隨著科技的不斷發(fā)展，大數(shù)據(jù)技術(shù)被廣泛地應(yīng)用在教育領(lǐng)域中．利用大數(shù)據(jù)技術(shù)對(duì)學(xué)生的學(xué)習(xí)成績(jī)進(jìn)行預(yù)測(cè)，可以幫助教師及時(shí)調(diào)整教學(xué)計(jì)劃，提高學(xué)生的學(xué)習(xí)成績(jī)，降低學(xué)生不及格的比率，還能對(duì)學(xué)生起到監(jiān)督和預(yù)警的作用，更有助于教師對(duì)學(xué)生的學(xué)習(xí)過(guò)程進(jìn)行有效的干預(yù)和指導(dǎo)．如識(shí)別出有風(fēng)險(xiǎn)的學(xué)生，以便及時(shí)提供干預(yù)措施[1]．此外，還可以用于在線測(cè)評(píng)[2]、認(rèn)知診斷[3]、推薦系統(tǒng)[4]．因此，學(xué)生成績(jī)預(yù)測(cè)問(wèn)題具有重要的研究意義和應(yīng)用價(jià)值．

針對(duì)“學(xué)生成績(jī)預(yù)測(cè)”方法的研究已經(jīng)受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注．Umair[5]等基于學(xué)生的行為數(shù)據(jù)，采用支持向量機(jī)對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè)．Pandey[6]等在影響學(xué)生成績(jī)的18個(gè)屬性特征中通過(guò)計(jì)算各個(gè)屬性特征的信息增益率選擇出８?jìng)€(gè)重要屬性，并利用所選擇的8個(gè)重要屬性構(gòu)建決策樹對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè)．陳曦[7]等提出融合知識(shí)圖譜和協(xié)同過(guò)濾的學(xué)生成績(jī)預(yù)測(cè)方法．Thiele[8]等提出學(xué)生的社會(huì)人口學(xué)特征和學(xué)業(yè)特征與他們的學(xué)業(yè)表現(xiàn)聯(lián)系緊密．文獻(xiàn)[9]提出了基于主成分分析法-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，使用主成分分析法進(jìn)行數(shù)據(jù)降維，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)生成績(jī)預(yù)測(cè)，雖然提高了預(yù)測(cè)精度，但是未得出學(xué)生成績(jī)的影響因子，使該模型的可理解性降低[10]．申航杰[11]等綜合考慮學(xué)生歷史成績(jī)和行為數(shù)據(jù)，采用模糊C均值算法對(duì)歷史成績(jī)屬性做聚類，然后分別對(duì)每個(gè)聚類做支持向量回歸．張麒增[12]等基于學(xué)生歷史數(shù)據(jù)和行為數(shù)據(jù)，使用采樣技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)學(xué)生成績(jī)．葉俊民[13]等通過(guò)分析情感特征、學(xué)生行為等影響，采用深度學(xué)習(xí)模型對(duì)成績(jī)進(jìn)行預(yù)測(cè)．

雖然研究成果取得較好的成績(jī)，但仍然存在一些問(wèn)題，如預(yù)測(cè)結(jié)果的準(zhǔn)確度還是不夠理想．為了提高學(xué)生成績(jī)的預(yù)測(cè)精度，本文應(yīng)用改進(jìn)的鯨魚算法優(yōu)化XGboost算法的思想，兼顧鯨魚算法的自然啟發(fā)式特性和XGboost的梯度提升特點(diǎn)，通過(guò)２個(gè)算法的有效組合，研究出新的學(xué)生成績(jī)預(yù)測(cè)模型．

1 方法

1.1 數(shù)據(jù)分析

為了對(duì)學(xué)生成績(jī)做出準(zhǔn)確的預(yù)測(cè)，數(shù)據(jù)分析十分重要．本文選取的數(shù)據(jù)集是Kaggle網(wǎng)站中的xAPL-Educational Mining Dataset數(shù)據(jù)集，它是一個(gè)多變量的數(shù)據(jù)集，該數(shù)據(jù)集一共480個(gè)樣本，17個(gè)特征屬性．屬性可以分為3個(gè)類別：人口統(tǒng)計(jì)學(xué)特征，如性別、國(guó)籍、出生地等；學(xué)術(shù)背景屬性，如受教育水平、年級(jí)、隸屬的教室、課程名稱等；表現(xiàn)特征，如學(xué)生在教室中舉手次數(shù)、學(xué)生訪問(wèn)在線課程次數(shù)、學(xué)生檢查新公告的次數(shù)、學(xué)生參加討論組的次數(shù)等．

圖1 數(shù)值型特征之間的關(guān)系

使用Python3.7語(yǔ)言對(duì)獲取的數(shù)據(jù)進(jìn)行分析，在Anaconda集成環(huán)境中進(jìn)行開發(fā)實(shí)現(xiàn)，發(fā)現(xiàn)某些特征屬性存在一定關(guān)系．通過(guò)PairGrid圖觀察數(shù)值型特征之間的關(guān)系（見(jiàn)圖1），可以發(fā)現(xiàn)學(xué)習(xí)好的學(xué)生在學(xué)習(xí)方面表現(xiàn)相對(duì)積極，如學(xué)生在教室中舉手次數(shù)、學(xué)生訪問(wèn)在線課程次數(shù)、學(xué)生檢查新公告的次數(shù)、學(xué)生參加小組討論的次數(shù)．學(xué)習(xí)好的學(xué)生在教室中舉手次數(shù)最多（見(jiàn)圖2），學(xué)生參加小組討論的次數(shù)最多（見(jiàn)圖3）．

圖2 學(xué)生在教室中舉手次數(shù)與成績(jī)等級(jí)的關(guān)系

圖3 學(xué)生參加小組討論的次數(shù)與成績(jī)等級(jí)的關(guān)系

1.2 XGboost算法

XGboost（eXtreme Gradient Boosting），即極端梯度提升，屬于提升學(xué)習(xí)算法的一種．XGboost算法由Chen Tianqi[14]提出，目前在機(jī)器學(xué)習(xí)算法研究領(lǐng)域中被廣泛使用．該算法在梯度提升決策樹（GBDT）算法的基礎(chǔ)上對(duì)損失函數(shù)（loss）進(jìn)行二階泰勒展開，然后加入了正則項(xiàng)，解決了過(guò)擬合的問(wèn)題，同時(shí)收斂速度得到了提升．XGboost算法通過(guò)不斷形成新的決策樹來(lái)擬合之前所預(yù)測(cè)的殘差，使得預(yù)測(cè)值與真實(shí)值的殘差不斷縮小，魯棒性越來(lái)越好，預(yù)測(cè)的精度得到了提升．XGboost算法可以用加法的形式表示

對(duì)式（2）所示的目標(biāo)函數(shù)使用泰勒公式展開得

式（7）被用來(lái)計(jì)算樹模型的分裂結(jié)點(diǎn)．

1.3 鯨魚算法及其改進(jìn)

2016年Mirjalili[15]等提出了一種新的自然啟發(fā)式算法——鯨魚算法（WOA）．鯨魚作為世界上最大的哺乳動(dòng)物，可群居也可獨(dú)居，其中捕食時(shí)以群體為主．群體中鯨魚最大的為座頭鯨，捕食方式被稱為氣泡網(wǎng)覓食法（見(jiàn)圖4）．從鯨魚的捕食方式可歸納出鯨魚捕獵的行為并建立數(shù)學(xué)模型，包含包圍捕食、氣泡網(wǎng)攻擊、搜索獵物3個(gè)部分．

圖4 座頭鯨的氣泡網(wǎng)進(jìn)食行為

1.3.1 包圍捕食 鯨魚的獵物是磷蝦和小魚群，當(dāng)座頭鯨發(fā)現(xiàn)獵物后將其包圍．當(dāng)處在最佳搜索位置的鯨魚確定位置后，其余鯨魚根據(jù)最佳鯨魚的位置不斷更新其位置．該行為表示為

1.3.2 氣泡網(wǎng)攻擊 鯨魚捕食時(shí)會(huì)采用氣泡網(wǎng)覓食法，其中座頭鯨會(huì)潛入水下12 m左右，并且向獵物發(fā)出螺旋形的氣泡，然后游向水面，此方法為上升螺旋；另一種策略是采用珊瑚循環(huán)的同時(shí)用尾葉拍打水面以此獲得捕獲循環(huán)，此方法為雙螺旋．這2種方法可以模仿座頭鯨氣泡網(wǎng)攻擊行為：一種是收縮包圍機(jī)制，另一種是螺旋更新位置．通過(guò)縮小包圍或螺旋運(yùn)動(dòng)，鯨魚更接近誘餌，在螺旋更新位置方法中，其數(shù)學(xué)模型

座頭鯨采用不斷縮小包圍圈繞著獵物游動(dòng)，并且采用螺旋形路徑游動(dòng)．在收縮包圍圈的同時(shí)，可以對(duì)此行為建模．假設(shè)鯨魚采用收縮包圍機(jī)制和螺旋模型的概率各占50%，以便在優(yōu)化過(guò)程中不斷更新鯨魚位置．?dāng)?shù)學(xué)模型為

鯨魚算法是一種自然啟發(fā)式算法，其存在的主要問(wèn)題也是搜索精度低，易于陷入局部最優(yōu)解．針對(duì)鯨魚算法的收斂速度慢，求解不精確的缺點(diǎn)，可以從3個(gè)方面進(jìn)行改進(jìn)．

（1）改善初始種群的位置——對(duì)立學(xué)習(xí)法

針對(duì)鯨魚算法（WOA）存在搜索精度低，易于陷入局部最優(yōu)解的問(wèn)題，為此引入對(duì)立學(xué)習(xí)，有效地解決了種群初始位置選擇盲目性的問(wèn)題，使得初始搜索位置變佳．在改善鯨魚算法初始種群質(zhì)量的同時(shí)，可以動(dòng)態(tài)更新模型的超參數(shù)，有效地提高了鯨魚算法的收斂速度和精度．該方法的核心思想是基于當(dāng)前值的基礎(chǔ)上找到對(duì)應(yīng)的對(duì)立值來(lái)尋求最優(yōu)解，從而增強(qiáng)算法的性能．對(duì)立學(xué)習(xí)

將對(duì)立學(xué)習(xí)由低維轉(zhuǎn)化成高維，則多維對(duì)立學(xué)習(xí)

（2）改善收斂速度——自適應(yīng)收斂因子

將Sigmoid函數(shù)引入收斂因子中，極大地加強(qiáng)了全局尋優(yōu)和局部尋優(yōu)的能力

（3）改善尋優(yōu)能力——?jiǎng)討B(tài)權(quán)值因子

本文所采用的動(dòng)態(tài)權(quán)值因子使得權(quán)重會(huì)隨著適應(yīng)度的變化，根據(jù)實(shí)際需要自動(dòng)調(diào)整權(quán)值．對(duì)于鯨魚算法（WOA）精度和收斂速度的提升起到了很大的作用，有利于算法跳出次優(yōu)解，尋找最優(yōu)解．

由此可見(jiàn)，在鯨魚算法的基礎(chǔ)上通過(guò)引入對(duì)立學(xué)習(xí)、自適應(yīng)收斂因子、動(dòng)態(tài)權(quán)值因子等方法，可以有效改進(jìn)鯨魚算法的全局勘探能力和局部尋優(yōu)能力，所以改進(jìn)后的鯨魚算法（IWOA）性能將會(huì)有很大提高．

2 預(yù)測(cè)模型

XGBoost是集成學(xué)習(xí)方法，通過(guò)組合各個(gè)決策樹的輸出來(lái)預(yù)測(cè)．XGBoost每次構(gòu)建一個(gè)決策樹，每一個(gè)新的樹都修正以前訓(xùn)練過(guò)的決策樹所產(chǎn)生的錯(cuò)誤．由于通過(guò)優(yōu)化目標(biāo)函數(shù)導(dǎo)出了增強(qiáng)樹，基本上XGBoost可以解決幾乎所有可以寫出漸變的目標(biāo)函數(shù)，這包括排名和泊松回歸等問(wèn)題．XGBoost在很多情況下比深度學(xué)習(xí)更為可靠、靈活，而且準(zhǔn)確．在絕大多數(shù)的回歸和分類問(wèn)題上，XGBoost的實(shí)際表現(xiàn)都是頂尖的．但是如果數(shù)據(jù)有噪聲，XGBoost模型對(duì)過(guò)渡擬合更敏感．由于樹木是按順序建造的，因此訓(xùn)練通常需要更長(zhǎng)時(shí)間，XGBoost調(diào)整更難一些．XGBoost通常有3個(gè)參數(shù)：樹的數(shù)量、樹的深度、學(xué)習(xí)率，其構(gòu)建的每個(gè)樹通常是淺的．

本文基于XGboost的預(yù)測(cè)模型，利用改進(jìn)的鯨魚算法來(lái)優(yōu)化預(yù)測(cè)模型，提出2種算法相融合的組合算法預(yù)測(cè)模型IWOA-XGboost．在組合算法中，改進(jìn)鯨魚算法是為XGboost全局優(yōu)化而設(shè)計(jì)的，它在機(jī)器學(xué)習(xí)中調(diào)整超參數(shù)非常受歡迎．在調(diào)整機(jī)器學(xué)習(xí)算法的參數(shù)方面比網(wǎng)格或隨機(jī)搜索技術(shù)更有效．它可以有效地平衡“搜索”和“保留”，找到全局最優(yōu)．組合算法流程見(jiàn)圖5．首先，將學(xué)生成績(jī)的歷史數(shù)據(jù)預(yù)處理，并作為XGboost算法的輸入變量；其次，XGboost算法進(jìn)行初步預(yù)測(cè)，然后使用改進(jìn)的鯨魚算法優(yōu)化XGBoost的超參數(shù)進(jìn)行二次預(yù)測(cè)；最后，輸出預(yù)測(cè)結(jié)果．

圖5 學(xué)生成績(jī)預(yù)測(cè)建模策略

3 實(shí)驗(yàn)對(duì)比

本實(shí)驗(yàn)通過(guò)Pycharm平臺(tái)，利用Python3.7語(yǔ)言進(jìn)行編程，在Anaconda集成環(huán)境中進(jìn)行開發(fā)實(shí)現(xiàn)．操作系統(tǒng)是Windows10系統(tǒng)，處理器版本為Intel（R） Core（TM）i5-10400F，系統(tǒng)運(yùn)行內(nèi)存為16 GB，系統(tǒng)類型為64位操作系統(tǒng)．?dāng)?shù)據(jù)集選取kaggle平臺(tái)中的xAPL-Educational Mining Dataset數(shù)據(jù)集，數(shù)據(jù)中包含：學(xué)生性別、學(xué)生國(guó)籍、學(xué)生的出生地、父母受教育水平、監(jiān)護(hù)學(xué)生的家長(zhǎng)等17個(gè)特征屬性．采用的評(píng)價(jià)指標(biāo)為Accuracy值，選用了傳統(tǒng)的機(jī)器學(xué)習(xí)算法作為對(duì)比．

在機(jī)器學(xué)習(xí)領(lǐng)域中，用于評(píng)價(jià)一個(gè)預(yù)測(cè)模型的性能有多種指標(biāo)，其中幾項(xiàng)就是TP、TN、FP、FN、精確率（Precision）、召回率（Recall）、準(zhǔn)確率（Accuracy）．

TP：預(yù)測(cè)為正向（P），實(shí)際上預(yù)測(cè)正確（T），即判斷為正向的正確率；

TN：預(yù)測(cè)為負(fù)向（N），實(shí)際上預(yù)測(cè)正確（T），即判斷為負(fù)向的正確率；

FP：預(yù)測(cè)為正向（P），實(shí)際上預(yù)測(cè)錯(cuò)誤（F），誤報(bào)率，即把負(fù)向判斷成了正向；

FN：預(yù)測(cè)為負(fù)向（N），實(shí)際上預(yù)測(cè)錯(cuò)誤（F），漏報(bào)率，即把正向判斷成了負(fù)向；

準(zhǔn)確率（Accuracy）是最直觀的預(yù)測(cè)指標(biāo)，是模型判斷正確的數(shù)據(jù)（TP+TN）占總數(shù)據(jù)的比例．計(jì)算方法

本實(shí)驗(yàn)選取支持向量機(jī)（SVC）、譜聚類（SC）、邏輯回歸（LR）、XGBoost 4種傳統(tǒng)機(jī)器學(xué)習(xí)算法，以及改進(jìn)鯨魚優(yōu)化XGboost算法（IWOA-XGboost），對(duì)同樣一組數(shù)據(jù)，用Accuracy作為評(píng)價(jià)標(biāo)準(zhǔn)，實(shí)驗(yàn)結(jié)果見(jiàn)表1，５種算法用直方圖表示（見(jiàn)圖6）．由實(shí)驗(yàn)結(jié)果可以看到，其中IWOA-XGboost的Accuracy值達(dá)到0.86，為最高，算法提升效果比較明顯．

表1 不同模型Accuracy結(jié)果

圖6 5種算法ACC直方圖

4 結(jié)語(yǔ)

本文通過(guò)深入分析Kaggle平臺(tái)xAPL-Educational Mining Dataset數(shù)據(jù)集，研究了17個(gè)變量，其中學(xué)生的總成績(jī)（class）為目標(biāo)變量，其余16個(gè)變量為解釋變量．在充分分析數(shù)據(jù)集的基礎(chǔ)上，選用了改進(jìn)的鯨魚優(yōu)化算法結(jié)合XGboost算法提出IWOA-XGboost，并且與傳統(tǒng)的機(jī)器學(xué)習(xí)算法如SVC，SC，LR，XGboost做對(duì)比實(shí)驗(yàn)．實(shí)驗(yàn)結(jié)果表明，IWOA-XGboost有效地提升了學(xué)生成績(jī)預(yù)測(cè)的準(zhǔn)確率．因此，本文的研究成果為分析和預(yù)測(cè)學(xué)生成績(jī)提供了智能助手．

[1] Bienkowski M，F(xiàn)eng M，Means B．Enhancing Teaching and Learning through Educational Data Mining and Learning Analytics：An Issue Brief[R]．Washington：US Department of Education，Office of Educational Technology，2012，1：1-57

[2] Lykourentzou I，Giannoukos I，Mpardis G，et al．Early and dynamic student achievement prediction in e-learning courses using neural networks[J]．Journal of the American Society for Information Science and Technology，2009，60（2）：372-380．

[3] Wu Runze，Liu Qi，Liu Yuping，et al．Cognitive modelling for predicting examinee performance[C]//Proc of the 24th Int Joint Conf on Artificial Intelligence．Menlo Park，CA：AAAI Press，2015：1017-1024．

[4] Hui L，Li H，Shu Z，et al．Intelligent learning system based on personalized recommendation technology[J]．Neural Computing and Applications，2018，31：4455-4462．

[5] Umair S，Sharif M M．Predicting students grades using artificial neural networks and support vector machine[M]//Encyclopedia of Information Science and Technology．4 ed．IGI Global，2018：5169-5182．

[6] Pandey M，Sharma V K．A decision tree algorithm pertaining to the student performance analysis and prediction[J]．International Journal of Computer Applications，2013，61（13）： 1-5.

[7] 陳曦，梅廣，張金金，等．融合知識(shí)圖譜和協(xié)同過(guò)濾的學(xué)生成績(jī)預(yù)測(cè)方法[J]．計(jì)算機(jī)應(yīng)用，2020，40（2）：595-601．

[8] Thiele T，Singleton A，Pope D，et al．Predicting students' academic performance based on school and socio-demographic characteristics[J]．Studies in Higher Education，2016，41（8）：1424-1446．

[9] 胡帥，顧艷，姜華．基于PCA-RBF網(wǎng)絡(luò)的學(xué)生寫作成績(jī)預(yù)測(cè)模型[J]．計(jì)算機(jī)與現(xiàn)代化，2016（1）：69-72，126．

[10] 吳強(qiáng)，方睿，韓斌，等．基于決策樹-LMBP神經(jīng)網(wǎng)絡(luò)的學(xué)生成績(jī)分析及預(yù)測(cè)模型的研究[J]．成都信息工程大學(xué)學(xué)報(bào)， 2018，33（3）：274-280．

[11] 申航杰，琚生根，孫界平．基于模糊聚類和支持向量回歸的成績(jī)預(yù)測(cè)[J]．華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（5）： 66-73，84．

[12] 張麒增，戴翰波．基于數(shù)據(jù)預(yù)處理技術(shù)的學(xué)生成績(jī)預(yù)測(cè)模型研究[J]．湖北大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（1）：101-108．

[13] 葉俊民，羅達(dá)雄，陳曙．基于短文本情感增強(qiáng)的在線學(xué)習(xí)者成績(jī)預(yù)測(cè)方法[J]．自動(dòng)化學(xué)報(bào)，2020，46（9）：1927-1940．

[14] Chen Tianqi，Carlos Guestrin．Xgboost：A scalable tree boosting system[C] //Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining．ACM，2016：785-794.

[15] Mirjalili S，Lewis A．The Whale Optimization Algorithm[J]．Advances in Engineering Software，2016，95：51-67．

Combined optimization algorithm for student achievement prediction

DANG Jiajun1，ZHANG Honglie1，MU Gang1，LI Cheng1，ZHANG Xiaolin2

（1. School of Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China；2. Department of Information Technology，Teacher Training School in Jianhua District of Qiqihar，Qiqihar 161006，China）

It is one of applications of big data technology to analyze and predict student achievement by using machine learning algorithms．The prediction model of a combined optimization algorithm is proposed，in which the heuristic algorithm and the gradient boosting algorithm are combined．First of all，the dynamic oppositional learning is adopted to increase the diversity of population initialization，and nonlinear convergence factors and adaptive weights are introduced．Thereby，the enhanced whale algorithm is obtained，and the original global search and the local development capabilities are improved．Then，based on the XGboost model，the iteration of the whale algorithm is enhanced，the hyper-parameters of XGboost are dynamically optimized，and a combined algorithm prediction model is proposed．Accuracy ACC is used as the evaluation standard of the model，taking the student data set as the research object and the student achievement prediction as the goal．Five algorithms are selected for the comparative experiments．The experimental results verify that the prediction accuracy of the combined algorithm proposed is relatively higher．

combined optimization algorithm；enhanced whale algorithm；XGboost algorithm；student achievement prediction

1007-9831（2022）05-0040-07

TP391

A

10.3969/j.issn.1007-9831.2022.05.007

2022-02-08

黑龍江省教育廳基本業(yè)務(wù)專項(xiàng)理工面上項(xiàng)目（135509118）

黨佳俊（1995-），男，黑龍江齊齊哈爾人，在讀碩士研究生，從事大數(shù)據(jù)技術(shù)研究．E-mail：2973451137@qq.com

張宏烈（1966-），女，黑龍江齊齊哈爾人，教授，博士，從事大數(shù)據(jù)技術(shù)、嵌入式系統(tǒng)研究．E-mail：15845673377@163.com