随着教育信息化的发展,学生的各种学习行为产生了大量的数据。为使数据发挥出应有的作用,运用机器学习算法探索和利用教育数据蕴藏的价值成为研究学者的研究重点。海量数据的出现为教育管理者提供大量潜在的价值,有助于提高管理者的管理效率,教育管理者可以根据学生的数据信息统筹规划,从教学方式管理、教学模式管理入手,提高管理水平,为学业有风险者提供预警。根据毕业生去向的具体情况,考研、就业、创业等不同的毕业去向对其学习行为的具体实施提出建议,为其提供符合其个性化需求的内容等。本文主要完成工作如下:一是采集学生学习行为数据,对本科生成绩等表、毕业生去向表进行清洗和整合,进行分类统计和分析,提取各种需要的特征,分类正负样本,形成优质毕业生表、确定去向表、考研就业表这三个表。二是在优质毕业生表、确定去向表、考研就业表这三个表上分别运用xgboost算法与knn算法、贝叶斯算法,将准确率、精确率、召回率的性能评价结果进行对比,并作出三维簇状柱形图直观展示对比效果。三是用网格搜索方法对xgboost算法模型在优质毕业生表、确定去向表、考研就业表这三个表上调整最优参数,以提升模型整体性能,并且得出三个表的特征重要程度得分排序,得到影响学生毕业去向的因素,得出xgboost算法在这三个表上建模的准确率、精确率和召回率以及预测毕业生去向。本文中使用xgboost模型算法在优质毕业生表、确定去向表以及考研就业表这三个表上建模,所得到的准确率、精确率和召回率性能评价方面整体上优于knn模型算法和贝叶斯模型算法。基于网格搜索调整xgboost算法最优参数的方法,能够提升模型的准确率、精确率和召回率。本文根据xgboost算法的特征重要程度得分属性,对比各组实验结果,对各组的重要程度得分进行分析,最终得出了以下结论:1.高考成绩、公共必修、专业必修、第一次四级成绩对毕业生去向有着重要的影响。2.年龄对毕业去向影响程度小,毕业去向和年龄关系很弱。3.毕业生去向预测准确率在70%左右,有的召回率达到90%,根据毕业生成绩和其他学习行为数据可以为毕业去向预测提供重要参考。