基于机器学习的学生成绩预测

学生成绩预测是一个基于回归问题的流行数据科学案例研究。对于数据科学初学者来说，这是一个很好的回归问题，因为它很容易解决和理解。本文中，将带你通过使用Python的机器学习来完成学生成绩预测的任务。

学生成绩预测（案例研究）

您将获得有关学生的一些信息，例如：

1. 他们选择的课程数目
2. 学生每天平均学习时间
3. 学生成绩

通过使用这些信息，你需要预测其他学生的分数。您可以从这里下载数据集。

https://www.kaggle.com/datasets/yasserh/student-marks-dataset

基于Python的学生成绩预测

导入必要的Python库和数据集：

import numpy as np
import pandas as pd
import plotly.express as px
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

data = pd.read_csv("Student_Marks.csv")
print(data.head(10))

输出

   number_courses  time_study   Marks
0               3       4.508  19.202
1               4       0.096   7.734
2               4       3.133  13.811
3               6       7.909  53.018
4               8       7.811  55.299
5               6       3.211  17.822
6               3       6.063  29.889
7               5       3.413  17.264
8               4       4.410  20.348
9               3       6.173  30.862

数据集中只有三列。Marks列是目标列，因为我们需要预测学生的分数。

检查数据集是否包含任何null值：

print(data.isnull().sum())

输出

number_courses    0
time_study        0
Marks             0
dtype: int64

由于数据中没有空值，数据集可以使用，也不需要其他预处理。数据中有一列包含有关学生选择的课程数量的信息。让我们看看这一列所有值的数量：

data["number_courses"].value_counts()

输出

3    22
4    21
6    16
8    16
7    15
5    10
Name: number_courses, dtype: int64

从上可知，学生选择的课程最少三门，最多八门。让我们来绘制一个散点图，看看课程的数量是否会影响学生的分数：

figure = px.scatter(data_frame=data, x = "number_courses", 
                    y = "Marks", size = "time_study", 
                    title="Number of Courses and Marks Scored")
figure.show()

根据上述数据可视化，我们可以说，如果学生每天学习更多的时间，课程的数量可能不会影响学生的分数。那么让我们来看下每天学习的时间和学生得分之间的关系：

figure = px.scatter(data_frame=data, x = "time_study", 
                    y = "Marks", size = "number_courses", 
                    title="Time Spent and Marks Scored", trendline="ols")
figure.show()

你可以看到，学习时间和分数之间存在线性关系。这意味着学生花在学习上的时间越多，他们的成绩就越好。

现在让我们来看看学生的分数与数据中其他两列之间的相关性：

correlation = data.corr()
print(correlation["Marks"].sort_values(ascending=False))

输出

Marks             1.000000
time_study        0.942254
number_courses    0.417335
Name: Marks, dtype: float64

因此，time_study列与Marks的相关性要高于number_courses列。

学生成绩预测模型

现在，让我们转向训练机器学习模型来预测学生的分数的任务。

在这里，首先将数据分为训练集和测试集：

x = np.array(data[["time_study", "number_courses"]])
y = np.array(data["Marks"])
xtrain, xtest, ytrain, ytest = train_test_split(x, y, 
                                                test_size=0.2, 
                                                random_state=42)

这里将使用最简单的线性回归算法训练机器学习模型：

model = LinearRegression()
model.fit(xtrain, ytrain)
model.score(xtest, ytest)

输出

0.9459936100591212

现在，让我们测试这个机器学习模型的性能，根据我们用来训练模型和预测学生成绩的特征提供输入：

# Features = [["time_study", "number_courses"]]
features = np.array([[4.508, 3]])
model.predict(features)

输出

array([22.30738483])

以上，这就是如何使用Python通过机器学习来预测学生成绩的任务。