我对机器学习有点陌生，并且已经学会了使用 python 和各种包应用许多基本的回归和分类方法。然而，接近这个问题让我很难过。为了说明这个问题，我创建了一个虚构的场景，其中辅导员想要预测学生在纪律处分后的考试成绩。假设他们有可用的数据，如下面的模型：

列定义：
学生 - 学生身份 #
性别 - 男/女
年龄 - 当前年龄
运动员 - 学生参加的运动（0-无，1-篮球，2-足球，3-足球）
在线 - 学生在线上课（0-否, 1-是）
Before_Disciplinary_Action_Scores - 他们在纪律之前的最后 n 个测试分数的序列（按日期顺序）
Disciplinary_Action - 采取行动顾问（0-无，1-指定导师，2-监护人会议，3-学习计划，4-不合格比赛）
After_Disciplinary_Action_Scores - 纪律后他们下一个 n 测试分数的序列（按日期顺序）

假设虚构的学校系统非常大，总共有大约 80k 条记录。所有学生在纪律处分之前/之后总共有 12 个测试分数，但测试分数的数量会根据给予纪律处分的时间而有所不同。为简单起见，您可以假设每周给出一门课程的分数。

我可以计算之前/之后的平均分数并创建一个相当好的分类模型，但我想更进一步并预测学科后分数。

我尝试使用 Prophet 和 LSTM 模型从时间序列方法预测结果不佳的后续分数，并且分数的不同数量使其变得困难。我可以看到围绕 Athlete、Transfer 和 Online 的功能是重要的组件，我尝试将它们添加为回归量，但这也失败了。我感谢您提供的任何指导。