基于XGBoost的科目分类方法的学生成绩预测研究

机译：基于XGBoost算法的整形外科辅助分类和预测模型研究

机译：基于数据挖掘的学生成绩评估，学生进度分析和学生潜力预测的研究

机译：基于多个分类器的学生成绩预测

机译：基于关系关联规则挖掘的分类预测学生学习成绩的研究

机译：通过大一新生的差异能力倾向测试，预测大二学生在主要科目上的学习成绩会否成功。

机译：生活方式习惯预测高中学生的学习成绩：青少年学生的学习成绩纵向研究（ASAP）

机译：这项研究的目的是确定性能的提高学习会计X年级会计1名SMK Negeri学生1年Sukoharjo2009/2010教s本研究使用集体诉讼研究方法（课堂行动研究）使用循环策略。科目本研究是XA类的学生，会计1国立职业高中1 Sukoharjo共有40名学生。该行动研究的研究对象是各种研究在学习过程中教室中发生的活动。 ud这项研究是与研究人员，班级老师和学生合作进行的涉及学生的参与。研究中使用的数据源这些行动包括告密者，地点或位置，事件，文件和文件文件。数据收集技术是通过观察，访谈，测试和学生完成的文档。研究过程包括以下阶段：（1）问题识别，（2）准备，（3）制定行动计划，（4）实施行动，（5）观察和解释，（6）反思和（7）报告准备。处理这项研究分三个周期进行，每个周期包括四个阶段，即：（1）行动计划，（2）行动实施，（3）观察和解释；以及（4）分析和反思。每个周期都进行在3次或4次会议中，每个会议的时间分配为2x 45分钟根据已经完成的研究，可以得出结论：通过学习模型的应用，学习成绩有所提高直接指令。这体现在以下几个指标中：（1）学生参与学习的积极性有所提高从第一周期的41.77％或11名学生到第一周期的51.72％或15名学生II和88.07％，即第三周期的32名学生。 （2）在讨论中，在校生中，有11名学生处于活跃状态，或者在第一周期中占41.25％第二阶段有16名学生，占55.81％，第三阶段有34名学生或91.07％，（3）在第一周期内解决问题的准确性和准确性有15名学生或54.88％，在第二周期有19名学生或64.78％而第三阶段有35名学生，占92.92％。 （4）增加第一个周期的学生学习成绩达到62.5％或25名学生成为第二周期的70％或28名学生，第三周期的90％或36名学生。 ud这种增加是在老师进行了几次尝试之后发生的，包括：（1）直接教学学习模式的应用，（2）教师制定计划在教学之前先学习，以便学习活动教学可以进行指导和计划，（3）教师进行评估

机译：用分类和基于对象的方法验证连续气象变量的空间预测。

机译：基于朴素贝叶斯模型的学生学业成绩预测方法和系统

机译：基于XGBoost的数据分类方法和装置，计算机设备和存储介质

机译：一种基于Xgboost的优惠券使用量预测方法