學生考試成績預測__案例_機器學習-阿裏雲

（本文數據為實驗用例）

一、背景

母親是老師反而會對孩子的學習成績造成不利影響？能上網的家庭，孩子通常能取得較好的成績？影響孩子成績的最大因素居然是母親的學曆？本文通過機器挖掘算法和中學真實的學生數據為您揭秘影響中學生學業的關鍵因素有哪些。

本文的數據采集於某中學在校生的家庭背景數據以及在校行為數據。通過邏輯回歸算法生成離線模型和學業指標評估報告，並且可以對學生的期末成績進行預測。同時，生成在線預測API，可以通過API把訓練好的離線模型應用到在線的業務場景中。

二、數據集介紹

數據集由25個特征和一個打標數據構成，

具體字段如下：

字段名	含義	類型	描述
sex	性別	string	F是女，M表示男
address	住址	string	U表示城市，R表示鄉村
famsize	家庭成員數	string	LE3表示少於三人，GT3多於三人
pstatus	是否與父母住在一起	string	T住在一起，A分開
medu	母親的文化水平	string	從0~4逐步增高
fedu	父親的文化水平	string	從0~4逐步增高
mjob	母親的工作	string	分為教師相關、健康相關、服務業
fjob	父親的工作	string	分為教師相關、健康相關、服務業
guardian	學生的監管人	string	mother，father or other
traveltime	從家到學校需要的時間	double	以分鍾為單位
studytime	每周學習時間	double	以小時為單位
failures	掛科數	double	掛科次數
schoolsup	是否有額外的學習輔助	string	yes or no
fumsup	是否有家教	string	yes or no
paid	是否有相關考試學科的輔助	string	yes or no
activities	是否有課外興趣班	string	yes or no
higher	是否有向上求學意願	string	yes or no
internet	家裏是否聯網	string	yes or no
famrel	家庭關係	double	從1~5表示關係從差到好
freetime	課餘時間量	double	從1~5從少到多
goout	跟朋友出去玩的頻率	double	從1~5從少到多
dalc	日飲酒量	double	從1~5從少到多
walc	周飲酒量	double	從1~5從少到多
health	健康狀況	double	從1~5從狀態差到好
absences	出勤量	double	0到93次
g3	期末成績	double	20分製

數據截圖：

三、離線訓練

首先，實驗流程圖：

數據自上到下流入，先後經曆了數據數據預處理、拆分、訓練、預測與評估。

1.SQL腳本-數據預處理

select (case sex when 'F' then 1 else 0 end) as sex,
(case address when 'U' then 1 else 0 end) as address,
(case famsize when 'LE3' then 1 else 0 end) as famsize,
(case Pstatus when 'T' then 1 else 0 end) as Pstatus,
Medu,
Fedu,
(case Mjob when 'teacher' then 1 else 0 end) as Mjob,
(case Fjob when 'teacher' then 1 else 0 end) as Fjob,
(case guardian when 'mother' then 0 when 'father' then 1 else 2 end) as guardian,
traveltime,
studytime,
failures,
(case schoolsup when 'yes' then 1 else 0 end) as schoolsup,
(case fumsup when 'yes' then 1 else 0 end) as fumsup,
(case paid when 'yes' then 1 else 0 end) as paid,
(case activities when 'yes' then 1 else 0 end) as activities,
(case higher when 'yes' then 1 else 0 end) as higher,
(case internet when 'yes' then 1 else 0 end) as internet,
famrel,
freetime,
goout,
Dalc,
Walc,
health,
absences,
(case  when G3>14 then 1 else 0 end) as finalScore
from ${t1};

這裏SQL腳本主要處理的邏輯是將文本數據結構化。比如說源數據分別有yes和no的情況，我們可以通過0表示yes，1表示no將文本數據量化。一些多種類的文本型字段，比如說Mjob，我們可以結合業務場景來抽象，比如說如果工作是teacher就表示為1，不是teacher表示為0，抽象後這個特征的意義就是表示工作是否與教育相關。對於目標列，我們按照大於18分設為1，其它為0，擬在通過訓練，找出可以預測分數的模型。

2.歸一化

去量綱，將所有的字段都轉換成0~1之間，去除字段間大小不均衡帶來的影響。結果圖：

3.拆分

將數據集按照8：2拆分，百分之八十用來訓練模型，剩下的用來預測。

4.邏輯回歸

通過邏輯回歸算法訓練生成離線模型。具體算法詳情可以https://en.wikipedia.org/wiki/Logistic_regression

5.結果分析和評估

通過混淆矩陣可以查看模型預測的準確率。

可以看到預測準確率為82.911%。根據邏輯回歸算法的特性，我們可以通過模型係數挖掘出一些比較有意思的信息，首先查看模型：

根據邏輯回歸算法的算法特性，權重越大表示特征對於結果的影響越大，權重是正數表示對結果1（期末高分）正相關，權重負數表示負相關。於是我們可以挑選幾個權重較大的特征進行分析。

字段名	含義	權重	分析
mjob	母親的工作	-0.7998341777833717	母親是老師對於孩子考高分是不利的
fjob	父親工作	1.422595764037065	如果父親是老師，對於孩子取得好的成績是非常有利的
internet	家裏是否聯網	1.070938672974736	家裏聯網不但不會影響成績，還會促進孩子的學習
medu	母親的文化水平	2.196219307541352	母親的文化水平高低對於孩子的影響是最大的，母親文化越高孩子學習越好。