分类数据挖掘技术的比较分析：推导用于预测学生表现的关键因素
机器学习
2016-11-14 v2 人工智能
计算机与社会
摘要
选择工程学作为学科的学生人数正在迅速增加。但由于各种因素以及印度不适当的基础教育，不及格率很高。由于科目复杂且涉及大量数学内容，学生无法在核心工程学中表现出色，因此他们在这些科目中不及格。借助数据挖掘技术，我们可以根据成绩和科目不及格情况预测学生的表现。本文对多种分类技术（如 Naive Bayes、LibSVM、J48、Random Forest 和 JRip）进行了比较分析，并试图从中选出最佳方法。根据所得结果，我们发现 Naive Bayes 在预测学生不及格方面最为准确，而 JRip 在预测学生成绩方面最为准确。我们还发现，在预测学生不及格的准确率方面，JRip 与 Naive Bayes 差异甚微，并且为我们提供了一组规则，从中我们推导出了影响学生表现的关键因素。最后，我们提出了缓解这些因素的各种方法。本研究仅限于印度教育系统场景，但所发现的因素对其他场景也可能有所帮助。
关键词
引用
@article{arxiv.1606.05735,
title = {A Comparative Analysis of classification data mining techniques : Deriving key factors useful for predicting students performance},
author = {Muhammed Salman Shamsi and Jhansi Lakshmi},
journal= {arXiv preprint arXiv:1606.05735},
year = {2016}
}
备注
6 pages, 6 tables, 2 figures