【python】利用 GridSearchCV 和 SVM 进行学生成绩预测

在机器学习领域，寻找最优模型参数是一个重要的步骤，它直接影响模型的泛化能力和预测准确性。本文将通过一个具体案例介绍如何使用支持向量机（SVM）和网格搜索（GridSearchCV）来预测学生的成绩，并通过调整参数来优化模型性能。

数据集：公众号“码银学编程”后台回复：学生成绩-SVM

引言

学生的成绩预测对于教育领域来说是一个重要的问题，它可以帮助教师更好地了解学生的学习情况，从而进行针对性的教学改进。在本案例中，我们将使用 SVM 作为分类器，并利用 GridSearchCV 对模型参数进行调优，以期获得更好的预测效果。

正文 

1. 数据准备

首先，我们从 CSV 文件中加载学生成绩数据集。数据集包含了多门课程的成绩，我们将这些成绩转换为等级，并使用 LabelEncoder 将分类数据转换为数值形式，以便 SVM 模型能够处理。

stu_grade = pd.read_csv('student-mat.csv')print(stu_grade.head())

1. age-学生年龄(数字:从15岁到22岁)
2. Medu - 母亲教育(数字:0 -无，1 -小学教育(四年级)，2 -" 5 - 9年级，3 -"中等教育或，4 -"高等教育)
3. Fedu - 父亲教育(数字:0 -无，1 -小学教育(4年级)，2 â€" 5 - 9年级，3 â€"中等教育或4 â€"高等教育)
4. traveltime - 从家到学校的旅行时间(数字:1 - 1小时)
5. studytime - 每周学习时间(数字:1 - 10小时)
6. failures - 过去班级失败的次数(数值:如果1= 10 and x

   结果： 

      age  Medu  Fedu  traveltime  studytime  ...  health  absences  G1  G2  G30   18     4     4           2          2  ...       3         6   5   6   61   17     1     1           1          2  ...       3         4   5   5   62   15     1     1           1          2  ...       3        10   7   8  103   15     4     2           1          3  ...       5         2  15  14  154   16     3     3           1          2  ...       5         4   6  10  10[5 rows x 16 columns]   age  Medu  Fedu  traveltime  studytime  ...  health  absences  G1  G2  G30   18     4     4           2          2  ...       3         6   5   6   61   17     1     1           1          2  ...       3         4   5   5   62   15     1     1           1          2  ...       3        10   7   8  103   15     4     2           1          3  ...       5         2  15  14  154   16     3     3           1          2  ...       5         4   6  10  10[5 rows x 16 columns]   age  Medu  Fedu  traveltime  ...  absences         G1      G2         G30   18     4     4           2  ...         6     medium  medium     medium1   17     1     1           1  ...         4     medium  medium     medium2   15     1     1           1  ...        10     medium  medium       good3   15     4     2           1  ...         2  excellent    good  excellent4   16     3     3           1  ...         4     medium    good       good[5 rows x 16 columns][2 0 2 2 2 2 3 2 2 2 2 0 2 1 2 1 2 2 2 2 2 2 2 2 2 2 1 2 2 2 0 3 2 2 1 3 2 2 1 2 2 1 2 2 2 3 2 3 2 2 1 2 2 2 2 2 2 3 3 3 2 2 3 2 2 2 1 2 2 2 2 2 2 2 3 2 2 1 3 1 2 1 3 0 1 0 3 2 2 2 0 2 2 2 2 1 2 3 2 3 2 2 2 2 0 2 2 2 3 2 2 2 2 2 2 3 2 1 3]训练集准确度: 0.927536231884058测试集准确度: 0.6218487394957983Scores:  MAE=0.4957983193277311, MSE=0.7983193277310925最佳参数: {'C': 0.3, 'gamma': 0.01, 'kernel': 'poly'}最佳分数: 0.8115942028985508优化后测试集准确度: 0.8235294117647058优化后Scores:  MAE=0.2857142857142857, MSE=0.5882352941176471Process finished with exit code 0