توقع أداء الطالب باستخدام المركب نماذج التصنيف غير المتجانسة

خلاصة مع تطور تكنولوجيا المعلومات ، أصبحت الجامعات أكثر اهتمامًا ببيانات طلابها. لذلك ، ساهم التنقيب عن البيانات التعليمية في استخراج معلومات مفيدة من هذه البيانات من خلال تحليل أداء الطلاب والتنبؤ به. تقارن هذه الورقة وتحلل عددًا من أحدث الخوارزميات ، بما في ذلك الانحدار اللوجستي ، وأقرب جار من K ، وشجرة القرار ، وآلة متجه الدعم ، ونافذة ساذجة ، وإدراك متعدد الطبقات ، والغابات العشوائية ، وتعزيز التدرج ، وتعزيز التدرج الشديد (XGBoost) ، والتعزيز الفئوي (CatBoost) ، وآلة تعزيز التدرج الخفيف (LightGBM) ، للتنبؤ بالأداء الأكاديمي للطلاب. وفقًا لتحليل النتائج ، أعطى كل من المصنفات المستخدمة في التجارب نتيجة دقيقة. ومع ذلك ، أنتجت خوارزمية CatBoost النتيجة الأكثر دقة مقارنةً بالنتائج الأخرى ، حيث وصلت إلى 93.15? في نموذج التنبؤ بحالة الطالب ؛ كان معدل دقة XGBoost 93? ؛ وقدمت الترددات اللاسلكية معدل دقة 92.9?. كانت نتيجة النموذج غير المتجانسة دقة 93.46?.