学生成绩预测

学习者表现预测算法的简单而高效的实现： 设置 创建一个新的conda环境，安装和其余要求： conda create python==3.7 -n learner-performance-prediction conda activate learner-performance-prediction pip install -r requirements.txt conda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch 该代码支持以下数据集： （assistments09） （assistments12） （assistments15） （assistments17） （bridge_algebra06） （algebra05） （西班牙语） （静电） 数据集 ＃个用户 ＃ 项目 ＃技能 ＃互动

学生成绩数据集

暂无描述

基于线性回归的学生成绩预测_测试数据文件

针对当前大学生成绩预测系统模型设计复杂、计算量大、预测准确性差、智能化程度低、受人为因素影响大等问题，提出了一种基于大数据决策树算法的学生成绩分析与预测模型。该模型将大学生成绩预测问题转换成大学生学习状态分类问题，以简化模型设计并提高大学生成绩预测的准确性；通过引入计算量较小的决策树算法，利用与成绩相关的数据实现对学生未来成绩的预测，从而提高成绩预测系统的智能性和客观性。该预测模型与传统的成绩预测方法相比，具有模型复杂度低、实现简单、智能化程度高、预测准确性及客观性强等优点。在实际成绩预测实验中，对学生成绩预测的准确率达到94%，证明了该预测模型的有效性。

通过BP神经网络的学习，了解BP神经网络和优化的BP神经网络的基本知识，能够理解两者之间的差异，掌握利用这两种神经网络算法解题思路和步骤。 选择相关数据，建立BP神经网络，并比较BP神经网络和优化的BP神经网络的差异。

该数据接近了两所葡萄牙学校的中学学生的学习成绩。数据属性包括学生成绩，人口统计学，社会和学校相关特征，并通过使用学校报告和调查表进行收集。提供了两个有关两个不同学科表现的数据集：数学（mat）和葡萄牙语（por）。 student-mat.csv

基于模糊聚类和支持向量回归的成绩预测.pdf

由于学生英语写作成绩预测受诸多因素影响，具有高维、非线性特点，本文基于广义回归神经网络（GRNN）算法原理，构建了GRNN学生英语写作成绩预测模型，并与弹性BP算法改进的BP神经网络模型的预测结果进行对比分析。仿真结果表明：改进的BP神经网络模型的预测最大相对误差为3.23%，GRNN模型的预测最大相对误差仅为-0.72%，表明所建立的GRNN模型的预测精度高、泛化能力强、收敛速度快、调整参数少，验证了将GRNN应用于英语写作成绩预测方案的可行性。