随着大数据和教育信息化的发展,在线学习平台使用规模日趋扩大,学习者与在线平台的交互过程中产生大量的行为数据,通过对这些行为数据进行挖掘分析,能够更加了解学生的在线学习情况、发现学生学习规律等,这将有助于对学生在学习过程中进行实时干预、针对性指导,从而达到个性化培养的目标。因此,本文利用学生在线学习平台产生的学习行为数据进行学生成绩预测研究,达到对学生学习成绩提前干预的目的,具有一定的现实意义和学术价值。本文的研究工作主要是以下三个方面:首先,本研究通过在线学习平台收集学生的在线学习行为数据,借助可视化分析手段,进一步探究在线学习行为特征与学习成绩的影响机理,分析得到不同成绩区间内的不同学习行为的特点。同时,本文基于随机森林的重要特征选择算法,用于选择更为影响学生成绩的在线学习行为特征,并将其与该研究领域的在线行为特征进行差异性分析,为后续构建成绩预测模型奠定了基础。其次,基于LightGBM算法在分类问题上具有高准确率、泛化能力强等特点,在噪声处理、分布式处理等方面具有的优势。本文对已选择的学习行为特征数据采用LightGBM算法构建成绩预测模型,接着采用网格搜索算法对模型参数进行模型优化,以提升模型整体性能。最后,本文提出基于SMOTE过采样和LightGBM的成绩预测模型。针对基于light GBM的成绩预测模型对少数类样本的识别不高,导致模型整体预测效果低的问题,采用SMOTE过采样方法对成绩预测模型进行了优化,使数据不平衡问题得到有效解决,进而提高成绩预测精度。本研究得出如下结论:1、章节学习次数对学生学习成绩影响程度最大,其次为视频观看时长、章节平均分、任务点完成率等。因此,学生在在线学习过程中,老师需要重点关注学生的这些学习行为,从而更有效地对学生进行学习指导。2、LightGBM算法在成绩预测模型评估中有较好的应用效果,说明采用该算法的成绩预测模型能够有效对高维学习行为特征进行识别。3、基于SMOTE过采样和LightGBM的成绩预测方法在一定程度上能够提升模型的精确度、召回率和F1-score值。