随着大数据的出现,机器学习作为重要预测手段在金融学以及管理学当中的应用越来越普及,然而在经济学特别是教育经济学领域的应用还相对较少。如今,高等教育也越来越受到人们的关注,在互联网技术的帮助下,教育者可以使用机器设备自动收集学生的数据,也可以使用数学模型分析现有的积累的数据,以此来帮助学生更有效率地学习、帮助学校拥有更好的评价。本文研究将机器学习应用于教育领域,使用机器学习预测北京15所高等院校的成绩排名、分析高等教育成绩排名的影响因素并对成绩排名较差的学生进行异质性,得到了以下成果:（1）机器学习模型相比OLS模型,更擅长进行高维度的数据的预测,并且在高等教育成绩排名预测中,数据量带来预测效果的提升要比数据质量带来的大。另外,机器学习模型除了在准确率、召回率和F1-Score这些指标上优于OLS模型,还能够通过调整参数在实际中达到成本限制下的最优预测效果。（2）部分机器学习擅长从大量特征中找到对模型预测效果影响较大的影响因素,从随机森林模型和LightGBM模型计算的特征重要性排名来看,学生大一时期每个类别都有对最终排名影响较大的特征,并且部分这些特征还没有被学者研究过,因此,这些重要特征不仅给高等教育研究的相关人员提供了更多维度的学生评价指标参考,也提供了更多高等教育成绩影响因素研究的参考方向。（3）机器学习中的无监督学习方法可以对成绩排名较差的学生进行异质性分析,本文在说明大二干预的有效性之后,使用K-means模型将高等教育成绩排名后10%的学生聚为3类,并根据每个类别的特点提出不同且可靠的干预方案建议。综上所述,机器学习能够更灵活、准确、可靠地预测高等教育成绩排名,通过排名来反向挖掘特征重要性较高的影响因素,并能够识别学生内部的异质性来给干预提供合理的建议,是一种低成本且高效的高等教育成绩排名预测和政策建议方案。