学生行为数据与成绩预测：机器学习回归模型及风险预警实现

1. 学生行为数据表的设计：特征字段与模拟逻辑

我最近把“学生行为 + 成绩预测”做成了一套能直接跑通的小系统，输入的是学生一学期里的出勤、作业、在线学习、课堂参与等过程性行为数据，输出的是期末分数预测值和风险等级标签。整个场景听着像偏教学管理的题，实际核心就是一个机器学习回归任务：用一组可采集的行为特征，去拟合一个连续目标变量。

先说明一个现实问题：校内真实学生数据不太可能公开到博客里，而且很多走这条路的初学者会被“没有现成数据集”卡住。我处理这类项目一贯的思路是：先构造一份字段可解释、分布接近真实、带有随机波动的模拟数据，把代码和建模链路跑通；等项目逻辑验证完，再把数据入口替换成学校的数据库查询或 CSV 导出。这样既不会踩到隐私红线，也能让后来人真正复现每一行代码。

1.1 学生行为画像应该包含哪些字段

先看数据字典。真实教务系统里常见的学生行为字段并不是“越多越好”，而是要覆盖学习过程中能被观测到的几个关键侧面：出勤、作业完成、自主学习投入、课堂互动、历史基础。这些字段在设计模拟数据时必须有依据，不能为了凑维度乱加。

真实数据采集里，作业平台日志和学习平台在线时长往往最脏，会出现同一个学生反复切换视频、挂着页面不学习的情况。即便在模拟数据阶段，我在设计时也会给“在线时长”留出被截断的空间，比如超过 12 小时后效果不再线性增加，因为现实里学到某个程度后边际收益就是会下降。这种业务常识一定要体现在特征构造里，否则模型学到的关系会很假。

1.2 合成成绩时的权重与随机噪声设计

设计模拟数据最怕做成“成绩由一条固定公式精确算出”，那模型随便一学就能百分之百命中，完全失去练习意义。我在构造 final_score 时用了加权线性合成加噪声的方式：

出勤占 25%，作业完成占 30%，在线学习饱和度占 20%，课堂参与占 10%，历史成绩占 15%，最后叠加一个均值为 0、标准差约 5 分的随机噪声。

这里有两点需要解释。第一，作业完成率权重给到最高，是因为我在实际项目中观察到一个通用规律：作业提交和完成质量对成绩的区分度通常大于课堂出勤。第二，引入噪声是为了模拟考试临场发挥、试题难度波动等因素，这些因素模型不可能从行为特征中学到，所以任何模型都不可能完美预测，这才是现实场景。

生成代码里用固定随机种子，保证每个人跑出来数据一致。样本量默认给 800，体量不大，足以跑通随机森林，同时对内存不构成压力。如果读者要迁移到真实数据，只需要把代码里的 generate_student_data 换成 pd.read_csv 或数据库查询，后面训练与评估部分可以完全不动。

2. 为什么用回归做“成绩预测”，而不是直接分类

很多第一次接触这类项目的人会想：直接把学生分成“优秀、良好、待提升、重点关注”四类，训练一个分类模型就好了，为什么还要先预测分数？这个直觉不全是错的，但从结果可用性的角度看，直接分类会丢掉太多信息。

2.1 直接分箱分类的隐藏问题

如果只训练四分类模型，模型输出的是“这个学生属于哪一档”，它无法区分一个 59 分的学生和一个 61 分的学生。但两者在教学管理里的含义完全不同：需要重点帮扶的对象是差 1 分及格的人，不是差 15 分才及格的人。分类模型对边界附近的样本天然不敏感，预测错一个档次还会带来额外的误导。

另一个问题是样本不平衡。真实场景里成绩优秀和不及格往往都是少数，中间段学生最多。如果按四分类建模，中间类别的样本会主导损失函数，模型为了整体精度会把两边都往中间拉，导致“重点关注”高风险学生严重漏报。而回归任务预测出连续分数后，你可以按分数线做任意切分；最后再统一转成风险标签时，阈值由使用者自己定，逻辑非常透明。

所以我的设计思路是：用回归预测 final_score，再用预测分数转成风险等级。这样系统能同时回答两个问题：这个学生大约能考多少分；这个分数落在哪个风险区间。第二步的划分规则很直接：85 分以上优秀，75 到 85 良好，60 到 75 待提升，60 以下重点关注。

2.2 先上线性基线，再上树模型

在表格型数据上，我从来不会一上来就堆复杂模型，更不会直接上深度学习。机器学习项目里真正决定预测效果上下限的，是先做特征，再用简单基线模型看天花板。为了让学生成绩预测这部分有对比参考，我在代码里放了两个候选模型：

Ridge回归作为线性基线，用来判断成绩和行为特征之间是否存在接近线性的关系。随机森林回归作为树模型代表，用来捕捉特征之间的交互作用和阈值效应，比如“作业完成率低于 0.5 且在线学习时长不足 6 小时时，期末不及格概率大幅上升”。

为什么不用 XGBoost 或 LightGBM 当主模型？主要原因是可以开箱即跑，不需要额外安装。scikit-learn 自带的随机森林已经能支撑这种小数据量项目。真实环境里如果样本量到几十万，再把 LightGBM 拿上来效果会更好，但那已经不是本篇这套“可以直接运行”的代码重点。

代码会分别训练这两个模型，打印 R2、MAE、±5 分命中率、±10 分命中率，并自动选出误差更小的那个用于最终预测导出。这种“建模-对比-自动选择最优”的写法不是花架子，它能避免你拍脑袋定模型后被发现效果不如另一版。

2.3 评估指标要按学生管理的视角去选

训练阶段最核心的回归指标有三个：

R2 决定系数，表示模型解释了多少成绩波动，通常在 0.5 到 0.8 之间就相当能用了，因为引入了不可还原噪声。MAE 平均绝对误差，告诉你预测分数平均偏多少分，这个数字比 R2 好理解得多。如果 MAE 在 5 分以内，对教学目标来说已经具备实用价值。±5 分和 ±10 分命中率则是为了让非技术背景的教务老师能听懂模型效果。

等到导出风险等级时，我还额外计算“重点关注”学生的召回率。这个词需要解释清楚：它表示真实不及格学生里，有多少人被预测成了重点关注。对于预警系统来说，漏掉一个高风险学生的代价远高于把普通学生多警告一次。所以哪怕整体风险等级命中率因为类别不平衡不算特别高，只要高风险召回率能维持在合理水平，这个模型就值得进入试用。

3. 完整代码实现：从生成数据到输出风险名单

下面的 Python 代码是整套系统的核心，直接保存成一个文件就能运行，比如 student_grade_predictor.py。运行前只需要保证本机有 pandas、numpy、matplotlib、scikit-learn，通常一个 conda 环境或者 pip install 即可。

3.1 运行环境与文件结构

bash复制pip install pandas numpy matplotlib scikit-learn
python student_grade_predictor.py

运行结束后，项目目录下会多出三个文件：

prediction_results.csv，包含每个学生真实分数、预测分数、预测风险等级、是否正确命中。feature_importance.csv，输出特征重要性排序。feature_importance.png，随机森林特征重要性的可视化图。

3.2 可直接运行的完整代码

python复制# -*- coding: utf-8 -*-
"""
基于机器学习的学生行为与成绩智能预测分析系统
运行环境：Python 3.8+，依赖 pandas numpy matplotlib scikit-learn
运行命令：python student_grade_predictor.py
输出：
    1. 终端打印两个模型的评估指标对比
    2. prediction_results.csv 学生分数预测与风险等级明细
    3. feature_importance.csv 特征重要性排序
    4. feature_importance.png 特征重要性可视化
"""

import numpy as np
import pandas as pd
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, r2_score

RANDOM_SEED = 42


def generate_student_data(n=800):
    """构造一份可复现的学生行为模拟数据。

    说明：真实教学场景中，这些字段通常来自考勤系统、作业平台、
    在线学习平台和教务系统。这里用随机分布模拟，
    便于任何人直接运行并复现完整建模流程。
    """
    rng = np.random.default_rng(RANDOM_SEED)

    attendance_rate = rng.uniform(0.55, 1.00, n)
    homework_rate = rng.uniform(0.35, 1.00, n)
    online_study_hours = np.clip(rng.normal(7.0, 4.0, n), 0, 30)
    participation_score = rng.uniform(0.20, 1.00, n)
    past_score = np