伴随着移动互联网的兴起,线上教育平台也开始普及,随之带来的海量教育数据一方面为教育精准化提供了可能,另一方面也向数据分析机器学习提出了挑战。近年来,精准化教育受到了人们的广泛关注。学生学业表现预测正是精准化教育的一个重要方向,它涉及到对学生绩点、答题准确率的预测,它可以有效认识学生的学习情况,提升教育服务的精准性,降低学生学业负担;同时也能为教师优化教学结构,完善教学评价提供参考标准。所以,对答题准确率的预测研究就显得尤为重要。过去的主要研究方向是使用神经网络、随机森林、以及支持向量机的机器学习算法,都取得了不错的效果,但不同算法都有其局限性,且倘若不对不同类型数据赋予不同权重,将导致结果准确率受影响。本文基于海量的在线教育数据,并对不同数据加以不同权重,进一步提升了答题准确率预测的准确性,为精准化教育提供可靠参考。本文使用的数据集采集自在线教育平台,其目的就是构建合适的算法模型,根据教育平台历史数据,在数据驱动下预测未来用户答题的准确率。由于数据集较大,本文首先对数据进行了探索性分析,可视化特征趋势与性质并以此基础进行了特征工程。在进行初步的特征筛选后,本文选择了集成树模型和深度学习模型中的四种算法进行答题准确率的预测。实验结果显示,集成树模型比深度学习模型精度更好,训练时间也更短,这主要是由于深度学习网络往往需要精细的特征工程和调参才能达到比较好的效果。此外,本文对上述四种算法进行了模型集成。模型集成分为打包法和堆叠法,由于数据集较大,本文选择了打包法进行集成。为了确定合适的权重,本文使用了遗传算法进行搜索,在经过加权后,AUC的值提升了 6%,提升了预测的准确性。最后,对本文进行总结,本文主要通过评估不同模型的准确性,提供选择预测模型的依据,同时进行权重综合评估,得出当前最优解决方案,并针对局限性进行了讨论和分析。总的来说,未来的研究可以使用新型的深度学习算法,并量化深度学习特征的重要性,以更好地对比两类算法的实际效果,以推进精准化教育的实操手段。