基于误差互补迭代学习与分类提升（CatBoost）的学生成绩预测模型研究

本文提出一种基于误差互补的迭代学习框架（EIL-CatBoost），通过特征分区与CatBoost集成建模，动态修正预测误差，显著提升学生成绩预测精度，为教育数据挖掘（EDM）与早期学术预警提供创新方法。

　　

Highlight

本研究创新性提出误差互补迭代学习机制，通过特征重要性分级实现预测误差的逐层修正。该方法突破传统特征筛选的局限性，利用被舍弃特征捕捉残差信息，为教育数据挖掘提供新范式。

Error complementarity-based iterative learning for predicting student performance

本节详细阐述基于误差互补的迭代学习框架。首先通过特征重要性排序将特征划分为主导特征集与辅助特征集，利用CatBoost对分类特征的天然优势构建目标估计器，继而通过残差预测器动态学习预测误差，形成迭代优化闭环。模型构建阶段采用阈值控制与最大迭代次数双重终止条件，预测阶段通过多级误差补偿实现结果优化。

Experimental setup

实验设计涵盖支持向量机（SVM）、随机森林（RF）、多层感知机（MLP）、XGBoost及CatBoost等基线模型，选用精确度（Accuracy）、F1分数（F1-Score）、AUC值等指标进行多维评估。所有实验均基于20次重复运行的统计验证，确保结果稳健性。

Conclusions

误差互补迭代学习机制显著提升学生成绩预测性能，在多个教育场景数据集上均优于现有最优模型（包括DCatBoostF）。箱线图与统计检验共同证实该方法的显著优势，为教育干预策略提供可靠技术支撑。