多视角模糊推理与基于XGBoost的在线学习行为分析

摘要

本研究采用多视角模糊推理模型和改进极端梯度增强（XGBoost）算法（由改进的灰狼优化算法优化）来分析在线学习行为并分类学生评论情绪，支持个性化教学和及时干预。

摘要

在线教育的蓬勃发展使在线课堂成为教育领域的重要组成部分。对在线教学中学生学习行为的深入分析，可以帮助教师优化教学策略，并为学生提供个性化的学习支持。因此，为了对学生的学习行为进行深入分析，本研究收集了在线教学平台的数据并对其进行了预处理。随后，本研究构建了一个涵盖课程、个体和班级三个维度的多视角模糊推理模型，全面考虑学生从不同层面的学习表现。该模型通过模糊集和模糊规则处理学习行为数据中的不确定信息，实现了对学习表现的多维评估。改进的XGBoost算法旨在对学生的评论情绪进行分类。该改进算法通过改进灰狼优化算法，优化了XGBoost算法的超参数。该算法提高了情绪分类的准确性，并进一步探讨了其学习行为背后的情绪倾向和态度反馈。结果显示，从课程设置角度来看，考试前三周课程任务的完成率基本超过45%，远高于任务发布后三周的完成率（两者均低于18%）。这些结果表明，学生更倾向于在截止日期前完成任务，且明显存在拖延症。改进后的分类算法的最大准确率为98.78%，分别比对比模型高出8.57%、7.55%、6.38%和6.01%，平均耗时为58毫秒。负面、正面和中性情绪的回忆率分别为98.35%、97.69%和98.02%。该研究模型能够有效分析学生的在线学习行为，并实现早期识别高风险学生，促进个性化教学和精准干预。

引言

互联网与教育技术的深度融合使在线教育从边缘补充跃升至主流形式。截至2023年底，全球注册在线学习者人数已超过12亿，中国在大规模开放在线课程（MOOCs）数量和^{学习者数量}均持续位居世界第一^，2。然而，尽管在线教学带来了便利，但也暴露出诸如学习过程不透明度、师生在时间和空间上的分离以及监管反馈滞后等挑战。学习行为数据与学业表现呈正相关。基于数据的动态调校可以将课程完成率提高超过20%，并显著降低3^、4、5的辍学风险。因此，进行学习行为分析（LBA）至关重要。关于这个问题，目前的方法包括描述性统计、关联规则挖掘和传统的机器学习分类^6。许多学者对此进行了研究。

为进行LBA，Li Y等人利用哈佛大学和麻省理工学院在线教学平台的学习行为数据构建了脉冲神经网络（PNN）以预测学习成果。他们分析了学习行为与结果之间的相关性。基于PNN的在线学习行为预测模型实现了99.80^%的准确率。曾B设计了一个高效的在线英语学习行为模型，利用滞后序列分析、结合数据挖掘方法和最小生成树算法。此外，研究还建立了一个用于团体学习路径（GLP）建设服务的在线智能学习平台。设计的方法是成功构建GLP⁸。赵M等人设计了双层长短期记忆（LSTM），以揭示学生在线学习中的潜在问题。他们使用了TensorFlow框架和Python语言，并利用了来自Kaggle、edX和英国开放大学的在线平台数据。该网络性能良好，最高准确率为83.4^%。Li F等人收集并分析了109名本科生的学习行为数据，以了解不同在线学习者的群体行为特征。本研究引入了主成分分析以降低数据维度，并利用聚合层级聚类将学习者分类为不同类别。其中15组被聚簇，所提方法的聚类准确率为¹⁰。

总之，目前关于LBA的研究非常多样化，采用了多种方法。然而，这些研究和方法也存在一些不足。例如，学生综述文本中对情感信息的挖掘不足，描述性统计无法揭示行为背后的复杂互动机制。机器学习分类通常基于单一视角特征，将课程、个人和班级的多维信息区分开来。为更好地执行LBA，本研究设计了一个多视角模糊推理（MPFR）模型，并构建基于改进灰狼优化（IGWO）和极端梯度增强（XGBoost）算法的情绪分类模型。

在现有的LBA研究中，尽管LSTM能够捕捉学习行为的时间相关性，但其处理模糊和不确定学习行为数据的能力较弱。卷积神经网络（CNN）在文本特征提取方面有一定优势，但在捕捉局部特征方面更为出色，且难以整合课程、个人和班级的多维全局信息。与CNN和LSTM等深度学习方法相比，MPFR模型可以通过模糊推理捕捉学习行为中的不确定信息。例如，学生对模糊态的“适度参与度”和“基本掌握”弥补了CNN局部特征提取的局限性。IGWO-XGBoost在情感分类中平衡了准确性和效率，弥补了耗时的LSTM情感分类和CNN语义模糊处理的不足。本研究旨在通过结合行为分析和情绪分析结果，为在线教学干预提供三维信息支持。研究的创新在于构建了一个涵盖课程、个体和班级三个维度的MPFR模型。这种从多角度全面考虑可以全面且立体地反映学生的学习表现，避免从单一视角可能被忽视的重要信息。该方法具有良好的平台可扩展性，可通过统一的数据预处理接口适应潮星和慕课，无需额外平台开发功能。同时，该方法被封装为一种简单的分析工具，教育者只需上传从平台导出的基本数据，即可自动生成LBA报告，无需复杂的技术操作。

方案

考虑MPFR和情感视角的LBA方法设计

构建了一个多视角评估系统，用于分析学生的在线学习行为（SOLB），并设计了一个MPFR模型。为进一步分析学生在学习中的主观感受，本研究采用了XGBoost算法，并设计了IGWO算法进行超参数优化，以提高分类准确性。

LBA MPFR 模型的构建

为了分析SOLB，本研究主要从两个角度出发，形成完整的分析计划。首先，从学习表现角度来看，本研究考虑了三个视角：课程、个体和班级，形成MPFR模型。其次，在学生评论的情感分析方面，本研究设计了改进的XGBoost算法。通过对学习表现和学生反馈情绪的分析，本研究能够更好地分析SOLB。在学习绩效分析的具体技术细节方面，本研究首先使用在线学习平台的数据并对其进行预处理。其次，本研究从不同角度选择核心学习绩效评估指标，构建全面的评估体系。随后，构建对应的MPFR模型以评估学习行为。

本研究选取了Superstar平台的数据（来源：https://www.chaoxing.com/）。它包含多个维度的信息，如课堂活动和成绩评估，为后续LBA提供良好基础。获取数据后，需要进行预处理，主要包括无关字段删除、数据过滤和数据完整性检查。例如，在教师数据中，需要删除课程编号和所属系等无关信息。随后，本研究基于Superstar平台的学习行为数据构建了LBA的特征工程。学生LBA指数为后续MPFR模型提供了特征工程基础，该指数的内容如 图1所示。

图1：学生LBA指标。 图中明确了学生LBA的三个核心维度（课程、个人、班级）及其各维度下的具体评估指标，为MPFR模型提供了功能支持。 请点击此处查看该图的放大版本。

在图1中，学生LBA指标主要围绕三个视角展开：课程、个人和班级，明确聚焦每个维度，为构建MPFR模型提供了精确的特征支持。其中，在课程维度指标方面，本研究选择了课程任务完成率、课程学习时长和课程互动频率。这一维度的核心关注点是课程任务的整体完成质量以及学习参与的及时性。例如，课程任务的完成率用于跟踪截止日期前后完成率的差异;课程学习时长用于区分不同的学习强度区间;交互频率用于过滤有效的交互行为。在个人层面，个人学习进展、作业完成质量和考试成绩作为评估指标。该维度关注个人学习进展与知识掌握结果之间的匹配程度。例如比较个人学习进展与课程计划、评估完成作业的准确性和效率，以及根据考试成绩分类知识掌握水平。此外，在班级维度方面，所选指标包括班级平均分、班级互动活动和班级学习氛围。这一维度主要关注整体学习环境对个体行为的影响。例如，平均分用于确定群体中个人表现的相对水平;阶级互动活动用来反映集体参与的程度;学习氛围被用来分析群体环境对学习行为的驱动效应。为了分析学生的学习行为，构建了一个模糊推理模型，并从不同视角获得学习行为特征。模糊推理是一种利用模糊逻辑进行推理的方法，通过模糊集合和模糊规则处理不精确或不确定的信息，具有强大的灵活性和易于理解的优点（^11,12）。模糊推理作为MPFR模型的核心计算机制，在特征工程之后被应用。模糊推理的主要过程如图2所示。

图2：模糊推理的主要流程图。 图中展示了模糊推理的核心过程，包括四个关键步骤：模糊化、模糊规则基础构建、模糊推理和去模糊处理，并阐明了MPFR模型在处理不确定学习行为数据时的逻辑。 请点击此处查看该图的放大版本。

模糊推理主要涉及模糊化、建立模糊规则库（FRL）、模糊推理和去模糊处理。其中，模糊化需要将精确输入数据转换为模糊集，并涉及定义成员函数。FRL包含一系列模糊规则，主要用于描述输入与输出之间的关系。在构建模糊规则基础时，研究邀请了三位具有≥8年教学经验的教育技术副教授共同开发28条规则，并通过三轮迭代确定最终规则，采用“德尔菲方法”。例如，规则1：如果课程任务完成率低于30%，且个人学习进展比计划晚2周→则属于高风险状态。模糊推理是指推断基于FRL构建的模糊输入数据并获得模糊输出结果的过程。最后，去模糊会将模糊输出结果转换为准确的输出值。该研究选择了一个三角形成员函数，这是模糊逻辑系统中广泛使用的函数，具有强大灵活性和高计算效率等优势。函数μ_A（x） 的表达式见公式（1）。

(1)

在方程（1）中，x是具体输入值。a、b 和 c 是三角形的三个顶点。在去模糊中，本文使用重心法将输出结果转换。重心法是模糊逻辑中常用的一种去模糊技术，具有强烈的直觉性、简单的计算和稳定性等^优点。重心法的表达式见公式（2）¹⁴。

(2)

在方程（2）中，f* 是去模糊后的输出值，即模糊集的重心。μ（x） 是成员函数。 是模糊集中所有点的加权和。 是所有可能的x值的成员函数积分。在MPFR模型中使用手动定义规则和成员函数的合理性体现在三个方面。首先，专家资格保障：规则制定者为三位教育技术副教授，并获得教育部“在线教育研究中心”在线学习行为分析师“认证，确保规则符合教育和教学法律。其次，效率优势：手动规则的推理时间远低于数据驱动方法，更适合在线教育平台的“实时推理”需求，且无需大量注释数据，降低数据收集成本¹⁵。第三，适应在线教育场景中“可解释性”的核心要求，手动定义规则和三角成员函数（方程1）可以直接对应教学场景中的直觉认知。教育者不需要复杂的技术背景，也能理解学生被认定为有风险的原因。数据驱动的方法如神经模糊系统可以自动优化规则。然而，大多数生成的规则都是复杂的数学表达式，教育者难以解释，这降低了该模型在实际教学干预中的接受度。

XGBoost 改进的学生评论情感分析模型设计

设计的MPFR模型可以从三个方面分析SOLB：课程、个体和班级。然而，外部行为数据分析在表达学生主观情感方面存在局限性。因此，为了进一步分析学生对学习的主观感受，会收集并预处理包含学生评论信息的慕课学习平台的额外数据。随后，XGBoost被用来构建情感分类模型。IGWO旨在优化其参数，以提高分类模型的准确性。XGBoost 的改进体现在其通过 IGWO 算法进行参数优化。数据预处理是模型构建和分析前的关键第一步。数据预处理过程如 图3所示。

图3：数据预处理过程。 九步数据预处理过程包括文本清理、词语分割、塞音词去除、词干提取和情感词识别，为后续行为分析和情感分类提供高质量数据。 请点击此处查看该图的放大版本。

数据预处理步骤如下：第一步是进行文本清理，以去除潮星平台数据中的无关字段并过滤无效样本。同时，非文本字段和简短评测在MOOC平台上被移除。第二步是进行分段处理。其中，中文注释使用解马的“精确模式”进行词分割处理，而英文评论则使用NLTK库的词语分割功能进行处理。第三步是去除常见的卡字，如“de”、“yes”、“in”等。其中，中国的使用词使用了哈尔滨工业大学的使用词表（https://github.com/goto456/stopwords/blob/master/hit_stopwords.txt）。停止词会通过词语匹配被删除。英语的停字使用NLTK库内置的通用停字表，该表也通过逐词匹配被删除。第四步是使用NLTK库的词干器从文本中提取词干，并将英语数据中的动词恢复为词干形式。第五步是根据CNKI情感词典识别评论中的正面和负面情感词汇，为后续情绪分类提供预先注释基础。第六步是进行特征提取。其中，潮星平台的结构化数据是标准化的，而分类指标则分别编码。同时，MOOC平台的评论数据采用预训练语言模型（Transformers的双向编码器表示，BERT）方法提取文本特征。BERT模型在文本特征提取中的核心优势在于，它可以通过深度双向Transformer架构动态生成上下文感知词矢量，有效解决了传统静态词嵌入模型无法处理的歧义问题。第七步是解决评论数据中情绪类别不平衡的问题。采用合成少数族裔过采样技术（SMOTE）来处理该信息。从中选取五个最近邻样本进行插值，生成合成少数群体样本，随机种子固定为42个，以确保实验的可重复性。第八步是对数据进行注释和分区。第九步是填补超级星数据中的缺失值并剔除异常值。在进行数据平衡处理时，SMOTE通过在少数族裔样本间插值来创建新的复合样本，从而增加少数族裔样本数量，使数据集的类别分布更加均衡，^16,17。SMOTE的表达式如式（3）所示。

B_mn = d_m + rand（0,1） x （d_mn - d_m） （3）

在方程（3）中，B_mn 是人工构造的少数群体样本，d_m 是第 i 个少数群体样本，d_mn 是 d_m 的 k 个最近邻中的第 n 个样本。rand（0,1） 是介于 0 到 1 之间的随机数。XGBoost 通过迭代添加预测树来提升预测性能。它具有高精度、强灵活性^和易用性等^优势。使用XGBoost迭代构建树模型的步骤主要包括：初始化模型、迭代构建树、目标函数和正则化项。第t次迭代的预测输出如式（4）所示。

   (4)

在方程（4）中， 是模型在第 t 次迭代后的预测值，f_t（h） 是树模型在第 t 次迭代中添加的预测函数，h 是输入特征向量。XGBoost最小化的目标函数见公式（5）。

(5)

在方程（5）中，i 是样本数。I和J是样本和树的总数，j是树的数量。 是损失函数，G_i 是第 i 个样本的真实标签。 是第1回样本在第t次迭代后对模型的预测值。Ω（f_t） 是正则化项，（f_t） 是第 j 棵树的预测函数。正则化的一般表达式Ω（f）见方程（6）。

(6)

在方程（6）中，γ 表示叶节点数量的惩罚系数，λ 是叶节点权重的 L2 正则化系数，w 是叶节点的权重。然而，XGBoost超参数的选择对性能有直接且显著的影响。XGBoost常见的超参数包括学习率、树的最大深度和正则化参数。由于超参数空间可能很大，手动调整这些参数不仅耗时，而且很难找到最优参数组合。因此，本研究设计IGWO以优化XGBoost的超参数。GWO通过模拟灰狼的社会层级和狩猎策略来寻找最优解，具有较少参数和强适应性等优势^20,21。在GWO中，种群的初始位置如公式（7）所示生成。

(7)

在方程（7）中，P_uv 是第 u 个体在第 v 维中的位置。 和 分别是 v 次搜索空间的上界和下界。rand（） 是介于 [0,1] 之间的随机数。然而，GWO算法可能会遇到收敛速度缓慢以及在中后期阶段卡在局部最优状态的问题。这也意味着此时，GWO可能无法有效探索整个解空间，这使得找到全局最优解变得困难。为解决这一问题，本研究从两个方面改进了GWO，即引入帐篷混沌图（TCM）和非线性收敛因子（NCF）。TCM是一种简单的混沌映射，确保在搜索过程中不会遗漏潜在的最优解区域，并避免对同一区域的重复搜索²²。因此，通过TCM可以生成更均匀和随机的初始总体，并增强算法克服局部最优问题的能力。TCM的计算方式见式（8）。

(8)

在方程（8）中，y是控制参数。 R_t 和_{R t+1} 是第 t 次和第 t+1 次迭代时的系统状态变量。NCF z 的公式见式（9）。

(9)

在方程（9）中，z_max 是最大收敛因子，t_max 是最大迭代次数。这种非线性递减方法使GWO在早期阶段的全局搜索能够保持较大的步长。在搜索的中段，收敛速度加快;而在后期阶段，局部搜索以更小的步骤进行，有效地平衡了全局与局部搜索能力，提升了优化性能。IGWO算法专门用于XGBoost情感分类器的超参数优化阶段，其主要过程如 图4所示。

图4：IGWO的主要流程。 图中概述了IGWO的执行过程，包括基于帐篷混沌映射的种群初始化、非线性收敛因子的位置更新以及最优个体筛选，并阐明了优化XGBoost超参数的逻辑。 请点击此处查看该图的放大版本。

图4中，IGWO过程包括：算法初始化;使用中控法初始化种群;计算每个个体的初始适应度值;利用NCF更新灰狼位置;选择适应度最佳的解作为新的最优个体;并输出最优个体。XGBoost超参数的最佳组合可以通过IGWO输出。情感分类的整体过程整合了数据预处理、IGWO优化以及最终的XGBoost模型。基于IGWO-XGBoost的分类模型过程如图5所示。

图5：基于IGWO-XGBoost的分类模型过程。 图中展示了IGWO-XGBoost情感分类模型的完整流程，从数据输入和预处理到数据集划分、IGWO超参数优化、XGBoost模型构建以及分类结果输出，清晰展示了模型的操作链。 请点击此处查看该图的放大版本。

基于IGWO-XGBoost的模型包括输入数据、数据预处理、数据集划分、IGWO算法超参数优化、最优超参数组合、基于最优超参数组合构建XGBoost以及分类结果输出等过程。通过这种分类模型，学生评论中的情绪可以被分类，从而更直观地理解学生对学习的主观感受。具体软件版本、随机种子、硬件规格、环境规格及研究中使用的数据集来源见 表1。

集合类型	具体型号与内容
基础软件	Python 3.9.7
核心库	XGBoost 1.7.5、Scikit-learn 1.2.2、Jieba 0.42.1、NLTK 3.8.1、Pandas 1.5.3、NumPy 1.24.3、Matplotlib 3.7.1、Imbalanced-learn 0.10.1
随机种子	将全局随机种子设置为42
硬件/环境规范	1. 操作系统：Windows 10 专业版（64位，版本号22H2）
	2. 处理器：英特尔Core i5-12600KF（主频3.7GHz，动态加速频率4.9GHz）
	3. 内存：64GB DDR4（频率3200MHz，支持最高128GB内存）
	4. 存储：1TB SSD（三星980 Pro，读速7450MB/s）
	5. 显卡：NVIDIA GeForce RTX 3060（12GB 显存）
数据集来源与访问详情	1. 超级明星平台数据集：
	- 来源统一资源定位码（URL）：https://www.chaoxing.com/
	- 获取方法：通过潮兴教育大数据开放平台申请（应用路径：平台官网→开发者中心→数据接口→学习行为数据集）
	2. 慕课平台评论数据集：
	- 来源网址：https://www.icourse163.org/.cn
	- 获取方式：通过慕课平台的“数据研究支持”渠道申请
自定义脚本或模型	1. 数据预处理脚本
	2. MPFR模型脚本
	3. IGWO-XGBoost 模型脚本

表1：研究中使用的特定软件版本、随机种子、硬件规格、环境规格及数据集来源。提供研究所需的软硬件环境、随机种子设置、数据集来源及XGBoost超参数搜索范围的详细清单，以确保实验的可重复性和标准化。

表1 显示，研究采用XGBoost 1.7.5作为情感分类模型的核心框架，并引入了Scikit learn 1.2.2用于数据预处理、特征提取和模型评估。此外，研究统一将随机种子设置为42，以确保数据划分、SMOTE过采样、IGWO超参数优化和IGWO-XGBoost模型训练结果的可重复性。此外，IGWO算法还为XGBoost超参数设定了搜索空间。学习率的搜索范围在对数刻度上为[0.001， 0.3]，树的最大深度在整数集{3， 4,..., 15}中搜索。L2正则化项的优化范围为[0.1， 5.0]，每个树特征子集的采样比在[0.6， 1.0]范围内优化。叶节点最小权重的调谐范围为[1， 10]。

该数据集及相关的数据预处理和分析代码由团队自行生成和分析。数据预处理的核心脚本见 表2。

进口Pandas为PD，Jieba，RE，numpy作为NP

来自nltk.tokenize import word_tokenize;from nltk.stem import PorterStemmer

def clean（text， l）：

return re.sub（r“[^\u4e00-\u9fa5]” 如果 l==“zh” 否则 r“[^a-zA-Z]”， “ ”， text）.strip（）

def process（text， l）：

如果 l==“zh”否则 word_tokenize（文本）

return “ ”.join（[PorterStemmer（）.stem（w） 如果 l==“en” 否则 w for w in t 如果 w 不在 open（“hit_stopwords.txt”）.read（）.split（）]）

反卫主（C，M，L）：

cx=pd.read_csv（c）.query（“课程学习时长>=1 & exam results.notna（）”）;mc=pd.read_csv（m）.query（“comment text.str.len（）>=5”）

mc[“t”]=mc[“comment text”].apply（clean，args=（“zh”，））.apply（process，args=（“zh”，））

NP.savez（“out.npz”，**{k：v for k，v in locals（）.items（）}）

表2：用于数据预处理的核心脚本。呈现数据预处理的核心脚本信息，澄清与脚本对应的预处理步骤，并为研究方法的复制提供技术参考。

结果

考虑多视角和情感分类的LBA结果

为了验证性能，先建立实验环境并描述实验数据集。此外，本研究选择了比较算法IGWO-XGBoost，并利用准确率、时间消耗和回忆率等指标进行分析和验证。在结果分析中，研究将其分为两个明确部分：通过MPFR进行LBA的结果，以及通过IGWO-XGBoost对情感分类的性能验证。

通过MPFR学习行为分析

为了验证MPFR的性能并从多个角度分析学生的学习行为，本研究使用了Windows 10系统和Intel Core i5-12600KF中央处理器。处理器主频为3.7 GHz，动态加速频率为4.9 GHz，最大内存支持128 GB。在该数据集中，来自1000人的5万个数据点来自Superstar平台（来源：https://www.chaoxing.com/）。数据预处理后仍有48,652条条目。这些数据包含多个...

讨论

为分析SOLB，本研究设计了MPFR和IGWO-XGBoost模型，并使用了在线教学平台的数据。实验中，推断模型评分与实际得分之间高度一致，显示推理模型的有效性。约25%的学生在课程中学习时间为1至10小时。学习时数在11-20、21-30、31-40小时及超过41小时的学生比例为30%、20%、15%和10%。这表明大多数学生保持了适度的学习强度，而从事极短期或长期学习的学生则为少数。不同优化算法中XGBoost模型的超参数优化结果存在差异，IGWO表现更好。IGWO-XGBoost的分类时间和F1分数分别为100毫秒和0.968。IGWO-XGBoost的最大分类准确率为98.78%，最低准确率为95.02%，显著高于对比模型。IGWO-XGBoost在负面、积极和中性情绪上的回忆率高于对照模型。在负面情绪方面，IGWO-XGBoost及比较模型的最大召回率分别为98.35%、90.12%、91.05%、92.30%和93.10%。总之，MPFR和IGWO-XGBoost都表现良好，能够有效分析学生的学习行为。在实际价值方面，该研究方法可通过两种具体应用场景，为个性...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BERT 预训练语言模型	谷歌研究	https://github.com/google-research/bert
CNKI情感词典	CNKI	https://www.cnki.net/
潮兴平台学习行为数据	超兴信息技术发展有限公司	https://www.chaoxing.com/
计算机内存			通用硬件供应商（无具体型号）
哈尔滨工业大学废止术语列表	哈尔滨工业大学	https://github.com/goto456/stopwords/blob/master/hit_s
英特尔Core i5-12600KF	英特尔公司	BX8071512600KF
Jieba 词分工具（精确模式）	第三方开源社区	https://github.com/fxsjy/jieba。
慕课平台学生评价数据	爱情之路网络	https://www.icourse163.org/
NLTK库	NLTK开发团队	https://www.nltk.org/
Python 编程语言	Python 软件基础	https://www.python.org/
Scikit-learn 1.2.2	Scikit学习团队	https://scikit-learn.org/stable/
智能树平台学习行为数据	智能树网络	https://www.zhihuishu.com/
SMOTE技术	学习开发团队失衡	集成到Imbalanced Learn库中，https://imbalanced-learn.org/stable/
Windows 10 操作系统	Microsoft公司	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost开发团队	https://xgboost.readthedocs.io/