ENSEMBLE LEARNING FOR ACADEMIC PERFORMANCE PREDICTION: A MACHINE LEARNING APPROACH USING AUTOGLUON

doi:10.36306/konjes.1668916

ENSEMBLE LEARNING FOR ACADEMIC PERFORMANCE PREDICTION: A MACHINE LEARNING APPROACH USING AUTOGLUON

2026-03-01

0

PRE

AI

DOI：10.36306/konjes.1668916

原文链接

原文求助

摘要

En 中文

本研究探讨了机器学习技术在预测学生最终字母成绩方面的应用，其依据是学生的期中考试和测验成绩。研究利用了一个包含5,001名学生的数据集，这些学生选修了由十二位教职员工教授的课程。在应用预定义的资格标准后，最终数据集包含2,746名学生。研究采用了AutoGluon框架这一自动化机器学习（AutoML）工具来训练和优化模型。训练过程分为两个阶段：首先，对十一个机器学习模型进行了超参数调优，并评估了其性能指标。随后，将表现最佳的四个模型集成到一个集成模型中，并重新训练以提升预测精度。该集成模型达到了92.32%的显著准确率，证明了其在预测学业成果方面的有效性。本研究强调了集成学习和AutoML在教育数据挖掘中的潜力，为改进决策过程和支持学术环境中的学生成功提供了宝贵见解。

Keyword:

AutoGluon

Machine Learning

AutoML

Data Mining

Academic Performance

ENSEMBLE LEARNING FOR ACADEMIC PERFORMANCE PREDICTION: A MACHINE LEARNING APPROACH USING AUTOGLUON

摘要

期刊

机构

引用论文