·124·

智谋方略         

高职生

NCRE

成绩预测模型准确度比较与优化

李冠利

（南京广播电视大学玄武分校，江苏南京 210016）

摘要：

利用

RapidMiner

数据挖掘技术，对学生成绩数据进行探究，建立不同的

NCRE

成绩预测模型。比较各模型预测准确度，对预测准确

度最高的模型进行优化，进一步提升成绩预测效能，并运用该模型对学生样本成绩数据进行预测，验证了该模型的预测准确性。

关键词：

NCRE；成绩预测；RapidMiner；数据挖掘

中图分类号：

G623.58 

󰀃

文献标识码：

A 

󰀃

󰀃

文章编号：

2096-4609（2019）17-0124-002

一、引言

计算机基础是高职校学生必修课程，计

算机基础应用技术也是高职学生必须具备的

一项技能。NCRE

考核成绩，在某种程度上

反映出计算机基础课程的教学效果和水平。

其考核通过率，作为检验教学效果和促进学

生提升计算机基础知识与应用能力的手段，

已得到学生和学校的广泛重视。由于学科间

存在着必然的联系，

我们利用学生成绩数据，

运用

RapidMiner

数据挖掘工具，建立

NCRE

成绩预测模型并实施有效的优化。希望该模

型的预测结果，可以为计算机基础课程教师

教学工作提供有效的帮助。

二、模型构建

RapidMiner

数据挖掘工具提供了经典

的分类算法，包括：决策树分类法，贝叶斯

分类算法，神经网络算法等。以上算法属于

监督学习，其任务是学习带标签（label）

的训练数据集，

从而预测任何有效的输入值，

NCRE

成绩预测属于监督学习。我们依次按

照上述三个算法，

构建

NCRE

成绩预测模型。

成绩预测模型构建前，需要为模型构建

准备可信、有效、准确的数据，因此需要

学生成绩数据抽取、数据探索分析、数据

预处理等工作。这些工作前期研究已经完

成，本文就不再赘述。数据准备好后，导入

RapidMiner

工具，

进入模型建立流程。

首先，

通过

“Set Role”

设置

“计算机”

为

“Label”

标签，

调用

“Split Data”

分割数据操作符，

对学生成绩数据随机选取

20%

作为测试数

据，剩下的

80%

作为训练数据。然后，分别

调用

“Decision Tree”

决策树操作符、

“

Naive 

Bayes”贝叶斯操作符和“Neural 

Net”神

经网络操作符，连接“Apply 

Model”应用

模型操作符，

其中

20%

测试数据传给

“Apply 

Model”

应用模型。

最后，

连接

“Performance”

性能测试操作符验证模型的准确性。

三、模型评估

运行模型，对学生成绩数据进行挖掘，

决策树算法预测模型预测的

NCRE

准确度最

高

91.43%，贝叶斯算法预测模型准确度为

85.71%，神经网络算法预测模型准确度为

80.00%。其中，决策树模型中

NCRE

为不合

格的准确度为

88.89%，召回度为

80.00%，

为

合

格

的

准

确

度

为

92.31%，

召

回

度

为

96.00%1。可以看出，该模型对

NCRE

为合格

的预测准确度更高。

调用“Compare 

ROCs”操作符，在此操

作符中连接决策树、神经网络、贝叶斯三种

不同的预测模型，输出

ROC

曲线。ROC

曲线

图中

,

决策树（Decision 

Tree）模型曲线

积分面积最大。由于该曲线积分面积大小与

每种方法优劣密切相关，其值越接近

1

说明

该算法效果越好，因此可以判断该模型是三

者中预测效果最好的。

四、模型优化

为了进一步提高本例中决策树预测模型

的预测准确度，

除了可以通过调整模型参数，

达到提高预测模型预测能力外，我们还可以

通过最常用的

Bagging

和

Boosting

方法优

化模型。

Bagging

和

Boosting

都

是

将

已

有

的

分

类或回归算法通过一定方式组合起来，形成

一个性能更加强大的将弱分类器组装成强分

类器的方法。

Bagging

方法是从原始样本数据集中抽

取训练集，每轮从原始样本数据集中任意抽

取若干个训练数据样本，进行

n

轮抽取，得

到相应数量的训练集。每次使用一个训练集

得到一个模型，将得到的模型采用投票的方

法，找出分类最优模型。

Boosting

方

法

是

将

弱

分

类

算

法

作

为

图

1  贝叶斯模型预测结果与学生

NCRE