文件名称：通过数据挖掘技术进行学生成绩的比较分析和预测建模-研究论文
文件大小：445KB
文件格式：PDF
更新时间：2024-06-09 12:35:37
Data Mining Decision Tree Prediction
事实上，数据挖掘已越来越多地用作教育领域的新兴研究领域，并且用于从教育资源库中提取有用的，以前未知的模式。 这项研究旨在通过实验分析和预测模型来预测学生的表现，以改善将来的表现。 这种对学生学习过程的实验分析和预测建模可以作为更好的工具。 在这项研究中，人们认为教育资料库/数据库可以具有关于学习态度和能力等方面的充分事实。要发现新的隐藏模式和知识，必须理解这些因素。 这些隐藏的模式和知识可以稍后通过大学/学院当局的战略规划和适当行动，用于提高学生的表现。 研究人员观察到，在埃塞俄比亚语境中，缺乏预测研究和模型可以通过将学生状态分类为辍学/不及格，差，好，优秀或平均水平来准确确定学生在学业成绩的影响因素。 研究人员还观察到，影响大学水平教育中学生表现的因素很多，本研究中选择的一些因素包括性别，部门，课程和学时等。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改善它，减少辍学，并帮助根据学生的表现和状态实施课程/学术政策。 本研究旨在进行比较分析和预测模型，以通过数据挖掘技术了解学生的表现状况，从而提高他们的表现和状况。 这项研究使用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）和基于规则的算法（JRip和PART）用于分类。 这项研究的结果表明，经过测试的分类器的总体准确性高于80％。 此外，不同类别的分类准确性表明，对于失败类别，预测最差，而对于平均类别，预测则相当好。 对于平均表演者/状态，J48和JRip分类器相对而言可产生最高的分类精度。 最后，研究表明，数据挖掘可以作为一种重要的技术来根据影响学生的显着因素来计算学生的表现。