SuccessSage

SuccessSage：学生考试表现指标和预测器

SuccessSage 是一个全面的端到端机器学习项目，旨在预测学生的考试表现。它利用各种教育和人口数据来提供见解和预测，使教育利益相关者能够更好地了解和改善学生的成绩。

特征

• 表现预测：利用各种机器学习模型根据学生的人口统计和学术数据来预测学生在考试中的表现。
• 模型优化：采用网格搜索来找到每个模型的最佳超参数，确保最佳性能。
• 数据管道：包括完整的数据摄取、转换和模型训练管道，可自动执行从原始数据到预测的过程。
• Web 界面：基于 Flask 的交互式 Web 界面，可轻松输入数据和结果可视化。
• 日志记录和错误处理：全面的日志记录和自定义异常处理，以确保可跟踪性和易于调试。

数据概览

该项目使用的数据集包含多个指示学生学业成绩的特征：

• 人口统计信息：包括性别、种族/民族以及学生是否获得免费/减价午餐。
• 学术背景：涵盖父母的教育水平以及学生是否完成了考试准备课程。
• 分数：阅读和写作分数用作输入特征。

数据处理

• 数据摄取：自动从 CSV 文件中摄取数据，将其拆分为训练和测试数据集。
• 数据转换：使用 one-hot 编码转换分类数据并缩放数值特征，为模型训练做好准备。
• 训练和测试数据集：将准备好的数据分为训练集和测试集以评估模型性能。

安装

1. 克隆存储库

   git clone https://github.com/Shubham235Chandra/SuccessSage.git
   cd SuccessSage

2. 设置虚拟环境（可选但推荐）

   python -m venv venv
   source venv/bin/activate  # On Windows use `venvScriptsactivate`

3. 安装要求

   pip install -r requirements.txt

运行应用程序

1. 启动烧瓶应用程序

   python app.py

   这将在localhost端口5000上运行 Web 应用程序。

2. 访问网络界面

   • 打开浏览器并导航到http://localhost:5000/ 。
   • 使用网络表单输入学生数据并接收预测。

项目结构

• app.py ：Flask 应用程序的入口点。
• application.py ：管理路由和 Web 表单处理。
• predict_pipeline.py ：管理预测管道，包括预处理和模型预测。
• data_ingestion.py ：管理数据的摄取和初始处理。
• data_transformation.py ：实现预处理管道。
• model_trainer.py ：使用各种算法（例如 RandomForest、DecisionTree、GradientBoosting 等）管理机器学习模型的训练。
• utils.py ：用于序列化和其他任务的实用函数。
• logger.py ：配置监控日志记录。
• exception.py ：自定义异常处理以实现强大的错误管理。

贡献

欢迎贡献！请分叉存储库并提交带有您建议的更改的拉取请求。

执照

根据 MIT 许可证分发。有关详细信息，请参阅LICENSE文件。