«`html
Прогнозирование студентов университета с риском неуспеваемости с использованием алгоритма машинного обучения
Университетское образование играет критическую роль в общественном прогрессе, поэтому важно, чтобы студенты успешно завершали свои курсы и заканчивали учебу вовремя. Однако многие студенты сталкиваются с учебными трудностями, которые приводят к неудачам в учебе, депрессии или отчислению, что увеличивает нагрузку на факультет и финансовые затраты учебных заведений. Исследование представляет RTV-SVM, разработанный для прогнозирования студентов с риском неуспеваемости и граничных студентов, снижая вычислительные затраты в ответ на эту проблему. RTV-SVM устраняет избыточные вектора обучения, тем самым сокращая время обучения без ущерба для точности опорных векторов. Исследование, включавшее 32 593 студента по семи курсам, показало, что RTV-SVM сократил вектора обучения на 59,7%, сохраняя при этом точность классификации. Модель достигла точности 92,2-93,8% в идентификации студентов с риском неуспеваемости и 91,3-93,5% для граничных студентов.
Применение метода RTV-SVM для оптимизированной классификации SVM
Методология RTV-SVM состоит из четырех шагов: определение входных данных, устранение уровня 1 с использованием многомерного нормального распределения, устранение уровня 2 с помощью преобразования вектора и построение классификатора SVM с использованием SMO. Процесс начинается с определения входных векторов обучения и устранения избыточных векторов на основе их вероятностного распределения. Уровень 2 дополнительно сокращает векторы, проецируя их на центры классов. Оставшиеся векторы используются для построения классификатора SVM через SMO, оптимизируя границу решения. Этот подход направлен на улучшение эффективности классификации путем минимизации числа векторов обучения при сохранении точности.
Прогнозирование студентов университета с риском неуспеваемости с помощью RTV-SVM
Методология RTV-SVM была применена к набору данных Open University Learning Analytics (OULA) для прогнозирования студентов с риском неуспеваемости. Исследование оценивало четыре сценария: без сокращения, устранение уровня 1, устранение уровня 2 и комбинированное применение обоих уровней. Классификатор оценивался с использованием метрик, таких как сокращение векторов обучения, время обучения и тестирования, чувствительность, специфичность и общая точность. Результаты показали, что устранение уровня 1 и уровня 2 значительно сократили вектора обучения без ущерба для точности. В многоклассовой классификации (Сдан, Граничный, Не сдан) RTV-SVM показал хорошую производительность, с точностью более 91% во всех сценариях.
Сравнение производительности между RTV-SVM и смежными методами
Модель RTV-SVM продемонстрировала превосходную производительность в прогнозировании студентов с риском неуспеваемости, особенно тех, кто склонен к неудачам. Она достигла более высокой точности, чем другие методы, с преимуществом в идентификации студентов, которые могут достичь граничных результатов. Эта способность обнаруживать граничных студентов значительна, поскольку они более подвержены неудачам. Кроме того, модель RTV-SVM может превзойти модели, разработанные для более сложных прогнозов, таких как отчисления студентов или задержки в выпуске. Ее точность и эффективность делают ее мощным инструментом для прогнозирования результатов обучения студентов.
Изображение источника
«`
