本科实践教学是提高大学生人才培养质量的关键环节。近年来,国内各大高校都在全力发展对于本科生的实践教学建设。在此大环境下,吉林大学构建了符合本校校情的本科实践教学体系,并于2013年开始正式启动实践教学信息化平台建设工作。经过多年实际运行,实践教学管理平台已收集到学生在实践教学中的大量真实数据。对于这类教育领域大数据中潜在的信息,大量的研究者开始对其进行数据挖掘研究工作。通常在教育数据的研究中,主要使用的方法包括分类、聚类和关联规则挖掘等数据挖掘方法。在本文中使用了新的分类模型对实践教学管理数据集进行了数据挖掘研究。分类算法的种类有多种,但由于实际应用问题的复杂性和多样性,目前使用最为广泛的分类算法是由多个单一分类器结合而成的集成分类模型。近年来,在机器学习竞赛分类问题领域的佼佼者就是由微软开发的LightGBM算法。并且由于旋转森林算法在中小型数据集分类问题中表现优秀,本文提出了一种基于旋转森林和LightGBM的集成分类模型ROF-LGB模型,力图对实践教学管理数据集的潜在信息进行更深的挖掘。本文中使用ROF-LGB模型与其他多种树形分类模型在不同公共数据集中进行了大量对比实验,实验结果证明了ROF-LGB模型较其他分类模型在准确率与稳定性上均占有优势;在关于实践教学数据集的对比实验中,ROF-LGB模型的准确度与稳定性也超过了LightGBM模型和在小型数据集表现优秀的线性支撑向量机模型。本文根据ROF-LGB模型中的特征重要程度得分属性,对吉林大学软件学院的学生数据进行了特征重要度分析。经过多组不同数据规模的重复试验,本文中对比了各组实验结果,对所有特征的重要程度得分分布进行了分析,最终得出了以下结论:一、对于软件学院的学生,基础信息中的年龄、生源地、性别确实对学生的毕业发展方向影响较大。而民族、班级、有无挂科情况对学生的发展方向影响较小。二、对于软件学院的学生,重要度最高的是自己的课内成绩。其次,参与学科竞赛、参加大学生创新创业训练项目、参与选做实验、申报软件著作权、参与开放性创新实验这几类课外实践项目对于学生的发展也有较大的影响作用。此外大学生四六级考试对于学生的升学和就业都有很大帮助。三、对于吉林大学实践教学建设来说,学科竞赛、大学生创新创业训练和选做实验模块教学效果优秀,证明对于学生发展起到重要作用。但是开放性创新实验对于学生发展的重要度得分较低,还需要进一步改善,以提高对学生未来发展的影响力。