随着信息技术的不断发展和基础设施的不断完善,大数据技术已广泛应用于各个行业,比如医疗、教育、餐饮、物流、汽车、金融和娱乐等行业,给人们的生活带来诸多便利。在大学,随着管理手段信息化的不断深入,产生了大量的数据,其中,大学生日常生活和学习行为所累积的数据引起了高校管理人员的高度重视,也成为广大研究者的研究对象。通过对这些数据进行处理和分析,则可以获得学生的行为特征和规律,为学生管理者更好地管理学生提供参考。本文基于兰州理工大学的学生数据,其中包含学生的书籍借阅、校园卡消费、两学年的成绩和学生专业记录等数据,作为要调查的数据源。使用RapidMiner数据架构框架,可以预处理数据集并集成不同的数据源以获得一组数据以进行分析。进行的主要工作如下:(1)利用FP—growth算法来挖掘学生的学习成绩、借阅的书籍数量、不同专业与校园卡消费之间的相关关系,来预测学生行为。还使用Python Pandas软件包进行了统计分析,以确保数据平衡以及检测和处理任何异常值。(2)通过使用K-means算法对学生数据进行聚类,根据聚类结果挖掘不同学生的学业成绩、图书借阅数据与校园卡消费数据之间的关系,以及不同学生之间存在的行为差异。肘法用于确定K-means的最佳簇数。(3)为了预测下一年的学生表现,朴素贝叶斯(Naive Bayes,NB)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和神经网络(Neural Networks,NN)进行参数调优来提高算法性能。为了防止模型过度拟合,应用了十折交叉验证技术将数据集分为训练数据集和测试数据的数据集。此外,在这项研究中,通过结合支持向量机(SVM),随机森林(RF),朴素贝叶斯(NB)和神经网络(NN)的特征,提出了一个综合分类模型,以根据学生的行为来预测他们的表现。该模型的关键部分是具有类别交叉熵损失函数的SoftMax函数,该函数构成了神经网络第三层的一部分。而且,用于调整班级标签的班级权重。(4)最后,使用各种评估指标评估每个模型的性能。经实验证明,本文所提出的模型表现最佳,ROC曲线的微观平均值为92%,宏观平均值为86%。随机森林(RF)算法的准确率值为75%,支持向量机(SVM)为76%,朴素贝叶斯(NB)具有74%的准确率,神经网络(NN)的准确率为78%,而本文模型的准确率为85%,所提出的分类算法能够正确地对各专业的学生表现进行分类,优于传统算法。