文件名称：通过数据挖掘技术对学生表现进行比较分析和预测建模-研究论文
文件大小：582KB
文件格式：PDF
更新时间：2024-06-30 05:05:40
Data Mining Decision
本研究论文试图通过实验分析和预测建模来预测学生的表现，以便在未来提高。 教育资料库/数据库可以有足够的关于学习态度、能力的事实，并用于发现新的隐藏模式和知识。 这些隐藏的模式和知识稍后可以通过大学/学院当局的战略规划用于提高学生的表现。 埃塞俄比亚缺乏用于通过将学生状态分类为辍学/失败、差、好、优秀或表现一般的预测研究和模型来准确确定学生学业表现的影响因素。 许多教育机构仍然没有足够的战略计划来预测或确定学生的表现，以便根据学生的表现和状态来改善、减少辍学和帮助实施课程/学术政策。 本研究旨在通过数据挖掘技术对学生的表现状态进行比较分析和预测建模，从而提高他们的表现和状态。 本研究使用 KDD 流程模型来查找和解释存储库中的模式。 决策树（J48 和随机森林）、贝叶斯（NaiveBayes 和 BayesNet）和基于规则的（JRip 和 PART）算法用于分类。 这项研究的结果表明，测试分类器的整体准确率在 80% 以上。 此外，不同类别的分类准确度表明，失败类别的预测最差，而平均类别的预测相当好。 J48 和 JRip 分类器相对于平均表现者/状态产生最高的分类准确度。 最后，该研究表明，数据挖掘可以作为一种重要的技术，根据影响显着的因素来计算学生的表现。