# 数据挖掘-学生成绩预测

**Repository Path**: gzw1127/data-mining

## Basic Information

- **Project Name**: 数据挖掘-学生成绩预测
- **Description**: 用九种机器学习方法进行学生成绩预测
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-14
- **Last Updated**: 2026-01-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

本研究基于葡萄牙两所中学396名学生的数学成绩数据，采用多种统计建模方法对中学生学业成绩进行预测分
析。通过数据挖掘和机器学习技术，探索影响学生学业成绩的关键因素，构建有效的预测模型。研究首先对原始数据进行预处理，包括缺失值处理、异常值检
测和特征工程；然后运用描述性统计分析、相关性分析和可视化技术探索数据特征；选择9种机器学习的方法对成绩进行预测，包括线性回归
、岭回归、Lasso回归、ElasticNet回归、决策树回归、随机森林回归、梯度提升回归、K近邻回归和支持向量回归，
并采用交叉验证和网格搜索进行参数优化；最后通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)等指标评估模型性能。
实证结果表明，随机森林模型表现最佳，在测试集上预测准确率达到84.8%，R²为0.8264，RMSE为1.8866，MAE为1.21，G2成绩、
学习时间和母亲教育水平是影响学生数学成绩的最关键因素。本研究为教育管理部门、学校和教师提供了数据驱动的决策支持，
有助于识别学业困难学生并实施精准干预。  
**结果：**
  1. student_performance_comprehensive_analysis.png - 综合数据分析图
  2. feature_correlation_with_G3.png - 特征相关性图
  3. feature_pairplot.png - 特征散点图矩阵
  4. best_model_performance.png - 最佳模型性能图
  5. detailed_feature_importance.png - 详细特征重要性图
  6. model_results.csv - 所有模型结果
  7. predictions.csv - 预测结果
  8. feature_importance.csv - 特征重要性
  9. model_info.csv - 模型信息