摘要:隨著國家不斷調整教育結構，各高校不斷擴招，學生和教師的數量大幅增長。給教學和管理工作帶來了嚴峻的考驗，由于缺乏必要的技術和手段，管理人員只能通過傳統方法進行統計分析，未能發現數據背后重要的有效信息。

本文研究了基于校園卡數據的預測方法，利用校園卡數據，提取了圖書館借閱、校園卡消費、宿舍門禁、圖書館門禁、學生成績等數據的數據特征。對這些數據進行數據預處理，從地點維度、時間維度、消費方式維度進行特征提取。利用機器學習XGBoost算法的方法來預測影響學生成績的關聯因素，得到圖書館學習天數，學習次數等重要影響因素，從而幫助同學改變學習方法，幫助老師改變教學方式。

關鍵詞：機器學習；Python；XGBoost算法；關聯規則

目錄

摘要

Abstract

1 緒論-1

1.1研究背景及意義-1

1.2 國內外現狀及發展趨勢-1

1.2.1 國內現狀及發展趨勢-1

1.2.2 國外現狀及發展趨勢-1

1.3本文主要內容及結構安排-2

2.數據挖掘及機器學習綜述-3

2.1數據挖掘-3

2.1.1 數據挖掘概念-3

2.1.2 數據挖掘過程-3

2.2 機器學習-4

2.2.1 機器學習概念-4

2.2.2 機器學習主要任務-4

2.2.3開發機器學習應用程序的步驟-5

2.2.4 Python語言-5

2.3 數據挖掘相關技術-6

2.3.1 關聯規則算法-6

2.3.2 決策樹算法-6

2.3.3聚類分析-6

2.4 本章小結-6

3 關聯規則數據挖掘算法分析-7

3.1 關聯規則-7

3.2關聯規則經典算法Apriori算法-7

3.2.1 Apriori定義-7

3.2.2 Apriori算法的一般過程-7

3.3使用Apriori算法來發現頻繁集-8

3.3.1 生成候選項集-8

3.3.2 組織完整的Apriori算法-8

3.4從頻繁項集中挖掘關聯規則-8

3.5本章小結-9

4 學生成績數據關聯因素分析的設計與實現-10

4.1 問題簡述-10

4.2 數據準備-10

4.3 特征工程-10

4.3.1特征構造-10

4.3.2 特征處理-11

4.3.3特征選擇-12

4.4 模型選擇-12

4.4.1 Random Forest(隨機森林)算法-12

4.4.2 GBDT算法-12

4.4.3 XGBoost算法-13

4.5模型融合及參數調優-13

4.5.1模型融合和模型選擇的區別-13

4.5.2 模型融合方法-13

4.5.3 參數調優-14

4.6實驗數據說明和處理-14

4.7實驗評估指標-15

4.8實驗結果-15

4.9 本章小結-15

結    論-16

參 考 文 獻-17

附錄A 程序-18

附錄B 結果-20

致    謝-38