通过不平衡学习技术预测路易斯安那州公立高中辍学
机器学习
2019-10-30 v1 机器学习
摘要
本研究源于路易斯安那州高中辍学问题的严重性及其对个人和公共福祉的负面影响。我们的目标是通过考察路易斯安那州行政数据集来预测有高中辍学风险的学生。由于数据集的不平衡性质，已应用包括重采样、案例加权和代价敏感学习在内的不平衡学习技术，以提升对少数类的预测性能。本研究使用的性能度量为少数类的F值、召回率和精确率。我们使用来自路易斯安那州教育部规模达366k+的行政数据集，比较了若干机器学习算法（如神经网络、决策树和装袋树）与不平衡学习方法结合的预测表现。实验表明，应用不平衡学习方法在召回率上取得了良好结果但降低了精确率，而不考虑不平衡数据处理的基分类器给出了更好的精确率但召回率较差。总体而言应用不平衡学习技术是有益的，但仍需更多研究以提升精确率。
引用
@article{arxiv.1910.13018,
title = {Predicting Louisiana Public High School Dropout through Imbalanced Learning Techniques},
author = {Marmar Orooji and Jianhua Chen},
journal= {arXiv preprint arXiv:1910.13018},
year = {2019}
}
备注
6 pages