利用可解释机器学习与数据可视化制定大学排名提升策略
机器学习
2021-12-15 v2
摘要
高等教育机构(HEIs)的年度排名是一个全球性现象，对高等教育格局具有重大影响。大多数 HEIs 密切关注排名结果并期望提升其排名。然而，保持良好排名并在排名中上升是一项艰巨的任务，因为这需要大量资源、精力以及绩效提升计划。在本工作中，我们首先展示如何利用相关热力图和箱线图进行探索性数据分析(EDA)，以帮助理解排名数据中的总体趋势。随后，我们提出了一种利用基于决策树(DT)的算法对排名数据进行分类的新颖想法，并利用数据可视化技术提取用于提升排名的决策路径。通过对概率估计应用 Laplace 校正，我们量化了从可解释的 DT 模型中获得的不同决策路径所对应的确定性程度。所提方法可帮助大学和 HEIs 定量评估提升空间，勾勒细化的长期行动计划并制定合适的路线图。
引用
@article{arxiv.2110.09050,
title = {Strategizing University Rank Improvement using Interpretable Machine Learning and Data Visualization},
author = {Nishi Doshi and Samhitha Gundam and Bhaskar Chaudhury},
journal= {arXiv preprint arXiv:2110.09050},
year = {2021}
}
备注
25 pages