1.一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：包括以下步骤：获取学生的期中考试成绩数据及影响期末考试成绩的学习行为数据，以构建基本学习特征数据；

将所述基本学习特征数据输入至训练好的融合算法模型中，获取学生成绩预测结果；

其中，所述融合算法模型包括基于多项式朴素贝叶斯、AdaBoost和Gradient boosting三个分类模型构建的初级分类模型，和基于逻辑斯蒂回归模型构建的次级分类模型；次级分类模型根据初级分类模型的输出结果进行期末成绩预测；

所述融合算法模型的训练方法包括：

采集学生的历史期中考试成绩、历史期末考试成绩及影响历史期末考试成绩的历史学习行为数据；

根据学生的历史期中考试成绩及历史学习行为数据构建基本学习特征数据，将历史期末考试成绩作为目标特征变量；

分别对基本学习特征数据和目标特征变量进行数据预处理；

通过皮尔斯相关性系数计算预处理后的基本学习特征数据和目标特征变量之间的线性相关性，将与目标特征变量线性不相关的基本学习特征数据删除，得到处理过的学生特征数据集；

将处理过的学生特征数据集划分为训练集和测试集；

采用训练集对融合算法模型中的初级分类模型和次级分类模型进行训练，得到训练好的融合算法模型。

2.根据权利要求1所述的种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：分别对基本学习特征数据和目标特征变量进行数据预处理的方法包括：采用区间缩放法将不同班级学生的基本学习特征数据缩放到同一区间并对其进行分箱处理；

以60分为界限对目标特征变量进行分类：大于等于60分的为success，小于60分的fail。

3.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：采用训练集对融合算法模型中的初级分类模型和次级分类模型进行训练之前，将训练集划分为5份训练子集，采用所划分的5份训练子集训练初级分类模型和次级分类模型。

4.根据权利要求2所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：学生的学习行为数据包括章节学习次数、视频观看时长、视频观看反刍比、课堂签到和课后作业完成情况。

5.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：基本学习特征数据缩放公式为：式中，x为一个特征集合，共有m个特征变量，xj为该特征集合中的第j个特征变量，xj'为xj缩放后的值，max(x)为该集合特征变量的最大值，min(x)为该集合特征变量的最小值。

6.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：皮尔斯相关性系数公式为:其中，g为整个数据集中数据总数，Zi为数据集中某一学习特征所对应的数据，为数据集中某一学习特征所对应的所有数据的均值，Yi数据集中区别于Zi的某一学习特征所对应的数据，为数据集中区别于Zi的某一学习特征所对应的所有数据的均值。

7.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：训练集D占学生特征数据集的70％，测试集B占学生特征数据集的30％。

8.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：多项式朴素贝叶斯、AdaBoost和Gradient boosting三个初级分类模型分别采用

5折交叉验证进行训练。

9.根据权利要求8所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：每次交叉验证包含以下两个过程：首先随机选取训练集D中划分好的5份数据集Di,i∈{1,2,3,4,5}中的4份数据集作为初级分类模型训练集进行训练，剩下的1份作为初级分类模型预测的测试集，得到预测数据集ai,i∈{1,2,3,4,5}，将其整合为1列记为A1；

然后再由上一步基于4份数据集训练的初级分类模型对测试集B进行预测，得到预测数据集pi,i∈{1,2,3,4,5}，再对5次预测的结果pi,i∈{1,2,3,4,5}按行相加取均值，得到数据集P1；在三个初级分类模型完成训练及预测后会得到(A1,A2,A3)和(P1,P2,P3)两个新的矩阵数据集；在第二层，次级学习器逻辑斯蒂回归以(A1,A2,A3)矩阵作为训练集，(P1,P2,P3)矩阵作为测试集，以其为基础进行训练，得到最终预测结果，即学生能否通过期末检测。

10.根据权利要求1所述的一种混合式教学环境下多模型融合的学生成绩预测方法，其特征在于：各初级分类模型和次级分类模型均采用网格搜索法进行单独训练调整参数，以获得各模型的最优参数。