我有一个从网上课程收集的数据集，有大约250个问题和200多名学生。数据集包含以下列

studentID, exerciseID, logindate, logoutdate, status, points

哪里 logindate, logoutdate 每一条记录都要注明入住和退房的日期和时间， status 参考进度，它在0%和100%之间变化，这意味着如果status=100，任务就解决了，然后他得到了一个 point . 我想根据以前的数据预测期末考试的结果。
学生可以随心所欲地做每一个练习，即使任务已经解决，但每次他访问同一个练习时，参数都是不同的。例如 ax + b = 0 只有这样 a 以及 b 在这个任务中都在变化，所以我有大约500000的记录，供所有的同学和练习。
我做了一些聚合，每周添加点，我尝试了不同的ml算法，通过应用pca，只将学生分为三到四组（非常好，很好，满意，失败）得到了最好的结果，但仍然令人满意的组太混乱（我无法预测组中的天气是否通过）
现在，我正在尝试执行一个类似的分类，部署一个gru nn，如下所示。我把练习作为时间步（250个时间步作为上一个练习的结果，与下一个练习相关），我还为每个学生x做了一些特征工程，练习b，我有

solved, solved_duration, trying, trying_duration, trying_sstatus, check, check_duration

哪里 solved, soved_duraiton 他做了多少次练习，花了多长时间。 trying, trying_duration, trying_sstatus 他试过多少次，花了多长时间 status 0<status <100 检查，检查\u持续时间他检查它多少次而不尝试解决它，即状态=0，然后数据的形式是：
（200250,7）200名学生（示例）250个练习（timestep）和7个特征。所以我实现了以下代码，

n_steps = data.ExerciseID_cat.nunique()

n_features = 8

# define model

model = Sequential()
model.add(GRU(256, activation='relu', return_sequences=True, input_shape=(n_steps, n_features)))
model.add(GRU(100, return_sequences=True,activation='relu'))
model.add(GRU(10, activation='relu'))
model.add(Dense(1, activation='softmax')) # sigmoid

model.compile(optimizer='adam', loss='categorical_crossentropy')  # mse
model.fit(X,y,epochs=1000, verbose=1, validation_split=0.2)

现在我的问题是：
你认为这种方法是否有效？

• . 如果是的话，我如何调整我的代码以获得一个好的结果，就像现在我使用的分类交叉熵损失=0.0000e+00并且从不改变，

注：考试成绩为分类（1,2,3,4,5）

• . 如果没有，

你认为这些数据足够输入神经网络吗？
你还有别的建议吗？