1.一种基于朴素贝叶斯模型的学生学业成绩预测方法，其特征是，包括以下步骤：步骤一：获取学生的学习数据，并将获取的数据传输至第一服务器的数据库中；所述学生的学习数据包括学生的学业成绩信息，其中学业成绩为教学管理系统数据库服务器中存储的信息，教学管理系统数据库服务器与第一服务器进行通信，将学生的学业成绩传输至第一服务器中；在第一服务器中对学生数据转换，根据学生信息数据所在的区间，将得到的连续型数据分段转换为等级数据；所述学业成绩信息包括学生邻近两个学期的学业成绩和入学学业成绩，其中前一学期的学业成绩情况和入学学业成绩情况，将作为学生个体的历史学业成绩属性；后一学期的学业成绩情况将作为学生学业成绩的分类结果；所述学生的学习数据还包括学习行为信息，学习行为信息的获取通过数据采集终端，数据采集终端可为计算机或可移动智能设备；学生学业成绩的具体获取时，利用学生的学号为检索词从教学管理系统数据库服务器中提取出该学生成绩数据和其所在班级的班级成绩表；

步骤二：对数据库中存储的学生的学习数据，进行数据转换，得到规范化的学生学习状况数据表；

步骤三：对规范化的学生学习状况数据表，通过第一服务器中的计算单元计算不同类别中各属性的条件概率及不同类别的先验概率，学习朴素贝叶斯模型的参数，得到朴素贝叶斯模型；

条件概率参数在计算时，具体为：

3‑1)遍历规范化的学生学习状况数据表，从中统计类别为Ci的学生的数量，输出Count(Ci)；

3‑2)遍历规范化的学生学习状况数据表，从中统计类别为Ci且第r个属性的属性值为xr的学生的数量，输出Count(xr|Ci)；

3‑3)遍历规范化的学生学习状况数据表，从中统计学生学业成绩类别的数量，输出数量值K；

3‑4)根据步骤3‑1)所得的Count(Ci)、步骤3‑2)所得的Count(xr|Ci)、步骤3‑3)所得的K，计算P(xr|Ci)，并输出P(xr|Ci)，计算公式为：其中，λ取为0.1；

先验概率参数在计算时，具体为：

1)遍历规范化的学生学习状况数据表，从中统计类别为Ci的学生的数量，输出Count(Ci)；

2)遍历规范化的学生学习状况数据表，从中统计学生学业成绩类别的数量，输出数量值K；

3)遍历规范化的学生学习状况数据表，从中统计学生的总数量，输出数量值N；

4)根据步骤1)所得的Count(Ci)、步骤2)所得的K、步骤3)所得的N，由公式计算P(Ci)，并输出P(Ci)；计算公式为：

其中，λ取为0.1；

步骤四：将待预测的学生数据进行数据转换后输入至训练好的朴素贝叶斯模型进行学业成绩分类预测，获得学生学业成绩预测结果并通过显示单元进行显示。

2.如权利要求1所述的一种基于朴素贝叶斯模型的学生学业成绩预测方法，其特征是，对于学业成绩信息，包括学生邻近两个学期的学业成绩和入学学业成绩情况，此数据需要进行转换处理，具体处理流程：

获得班级成绩表，根据学生的考试科目数量，计算出学生的平均成绩，并按学生的平均成绩排序，输出班级名次表；并输出班级学生总数；

根据班级名次表和学生成绩数据，查询学生的名次，并输出；

根据学生名次和班级学生总数，判断学生名次在班级中的总体位置；

如果属于前20％，则输出学生学业成绩等级为A；如果位于20％之后、40％之前，则输出学生学业成绩等级为B；如果位于40％之后、60％之前，则输出学生学业成绩等级为C；如果位于60％之后、80％之前，则输出学生学业成绩等级为D；如果位于后20％，则输出学生学业成绩等级为E。

3.如权利要求1所述的一种基于朴素贝叶斯模型的学生学业成绩预测方法，其特征是，在步骤四中，具体步骤为：

4‑1)根据所得的概率参数P(xr|Ci)、P(Ci)，计算各个类别Ci的P(X|Ci)P(Ci)值；

4‑2)对比步骤4‑1)所获得的各个类别Ci所对应的P(X|Ci)P(Ci)值，将学生样本X的类别预测为具有最大P(X|Ci)P(Ci)值的Ci；

在步骤4‑1)中，计算过程为：

4‑1‑1)首先对于学生样本X的每个属性xr，依次获得计算出的条件概率参数P(xr|Ci)值；而后，根据公式P(X|Ci)＝P(x1|Ci)×P(x2|Ci)×......×P(xn|Ci)，将各个P(xr|Ci)相乘，得到P(X|Ci)值，并输出P(X|Ci)值；

4‑1‑2)将步骤4‑1‑1)计算而得的P(X|Ci)值与计算而得的先验概率参数P(Ci)值相乘，得到P(X|Ci)P(Ci)值，并输出P(X|Ci)P(Ci)值。

4.一种基于朴素贝叶斯模型的学生学业成绩预测系统，其特征是，包括：数据获取模块：用于获取学生的学习数据，并将获取的数据传输至第一服务器的数据库中；所述学生的学习数据包括学生的学业成绩信息，其中学业成绩为教学管理系统数据库服务器中存储的信息，教学管理系统数据库服务器与第一服务器进行通信，将学生的学业成绩传输至第一服务器中；在第一服务器中对学生数据转换，根据学生信息数据所在的区间，将得到的连续型数据分段转换为等级数据；所述学业成绩信息包括学生邻近两个学期的学业成绩和入学学业成绩，其中前一学期的学业成绩情况和入学学业成绩情况，将作为学生个体的历史学业成绩属性；后一学期的学业成绩情况将作为学生学业成绩的分类结果；所述学生的学习数据还包括学习行为信息，学习行为信息的获取通过数据采集终端，数据采集终端可为计算机或可移动智能设备；学生学业成绩的具体获取时，利用学生的学号为检索词从教学管理系统数据库服务器中提取出该学生成绩数据和其所在班级的班级成绩表；

数据转换模块：用于针对数据库中存储的学生的学习数据，进行数据转换，得到规范化的学生学习状况数据表；

朴素贝叶斯模型建立模块：针对规范化的学生学习状况数据表，通过服务器中的计算单元计算不同类别中各属性的条件概率及不同类别的先验概率，得到朴素贝叶斯模型；

条件概率参数在计算时，具体为：

3‑1)遍历规范化的学生学习状况数据表，从中统计类别为Ci的学生的数量，输出Count(Ci)；

3‑2)遍历规范化的学生学习状况数据表，从中统计类别为Ci且第r个属性的属性值为xr的学生的数量，输出Count(xr|Ci)；

3‑3)遍历规范化的学生学习状况数据表，从中统计学生学业成绩类别的数量，输出数量值K；

3‑4)根据步骤3‑1)所得的Count(Ci)、步骤3‑2)所得的Count(xr|Ci)、步骤3‑3)所得的K，计算P(xr|Ci)，并输出P(xr|Ci)，计算公式为：其中，λ取为0.1；

先验概率参数在计算时，具体为：

1)遍历规范化的学生学习状况数据表，从中统计类别为Ci的学生的数量，输出Count(Ci)；

2)遍历规范化的学生学习状况数据表，从中统计学生学业成绩类别的数量，输出数量值K；

3)遍历规范化的学生学习状况数据表，从中统计学生的总数量，输出数量值N；

4)根据步骤1)所得的Count(Ci)、步骤2)所得的K、步骤3)所得的N，由公式计算P(Ci)，并输出P(Ci)；计算公式为：

其中，λ取为0.1；

学生学业预测模块：用于将待预测的学生数据进行数据转换后输入至训练好的朴素贝叶斯模型进行学生数据分类预测，获得学生学业预测结果并通过显示单元进行显示。