47、探索预测学生成功的反事实解释及3D粘弹性地壳变形分析求解器的开发

探索预测学生成功的反事实解释及3D粘弹性地壳变形分析求解器的开发

学生成功预测相关研究

在学生成功预测的研究中，通过分析大学生的社交媒体使用行为来预测他们课程的成败。具体步骤如下：
1. 模型选择与数据处理
- 采用了一组在scikit - learn中实现的分类模型，包括支持向量分类器（SVC）、随机森林、逻辑回归以及三种提升技术的变体，即梯度提升分类器（GBM）、轻梯度提升分类器（LGBM）和极端梯度提升分类器（XGBM）。
- 将80%的数据随机划分用于训练这些模型，其余20%用于测试。
2. 模型评估指标
- 使用准确率和F1分数这两个指标来评估预测结果。不同模型的预测性能如下表所示：
| 分类模型 | 准确率 | F1分数 |
| — | — | — |
| GBM分类器 | 0.74 | 0.74 |
| LGBM分类器 | 0.75 | 0.75 |
| XGBM分类器 | 0.72 | 0.72 |
| 逻辑回归分类器 | 0.66 | 0.66 |
| 随机森林分类器 | 0.71 | 0.71 |
| SVC | 0.55 | 0.54 |

从表中可以看出，LGBM分类器在准确率和F1分数方面都产生了最佳的预测结果。

3. 反事实生成与分析

   • 利用用于机器学习分类器的多样化反事实解释（DiCE）来进行反事实生成。DiCE将发现解释的问题本质上视为