This paper proposes to apply data m

This paper proposes to apply data mining techniques
to predict school failure and dropout. We use real data on
670 middle-school students from Zacatecas, México, and employ
white-box classification methods, such as induction rules and
decision trees. Experiments attempt to improve their accuracy for
predicting which students might fail or dropout by first, using all
the available attributes; next, selecting the best attributes; and
finally, rebalancing data and using cost sensitive classification.
The outcomes have been compared and the models with the best
results are shown.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอการใช้เทคนิคการทำเหมืองข้อมูลการทำนายความล้มเหลวของโรงเรียนและเป็นถอน เราใช้ข้อมูลที่แท้จริงนักเรียนโรงเรียนมัธยมต้น 670 Zacatecas, México และว่าจ้างวิธีการจัดประเภทกล่องขาว เช่นกฎการเหนี่ยวนำ และต้นไม้การตัดสินใจ พยายามปรับปรุงความถูกต้องของการทดลองการคาดการณ์ที่นักเรียนอาจล้มเหลวหรือเป็นถอน โดยแรก ใช้ทั้งหมดแอตทริบิวต์ที่พร้อมใช้งาน เลือกแอททริบิวต์ที่สุด ถัดไป และในที่สุด ปรับสมดุลข้อมูล และใช้ต้นทุนประเภทที่สำคัญมีการเปรียบเทียบผลลัพธ์ และรูปแบบที่ดีสุดมีแสดงผล

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอในการใช้เทคนิคการทำเหมืองข้อมูล
ที่จะคาดการณ์และความล้มเหลวของโรงเรียนกลางคัน เราใช้ข้อมูลจริงใน
670 นักเรียนระดับมัธยมศึกษาจาก Zacatecas, เม็กซิโก, และการจ้างงาน
กล่องสีขาววิธีการจำแนกเช่นกฎการเหนี่ยวนำและ
ต้นไม้ตัดสินใจ การทดลองพยายามที่จะปรับปรุงความถูกต้องของพวกเขาสำหรับ
การคาดการณ์ที่นักเรียนอาจจะล้มเหลวหรือการออกกลางคันเป็นครั้งแรกโดยใช้ทุก
คุณลักษณะที่มีอยู่; ต่อไปการเลือกคุณลักษณะที่ดีที่สุด; และ
ในที่สุดข้อมูลที่ปรับสมดุลและการใช้ค่าใช้จ่ายในการจัดหมวดหมู่ที่มีความสำคัญ.
ผลลัพธ์ที่ได้รับการเปรียบเทียบและรูปแบบที่ดีที่สุด
ที่จะแสดงผล

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอการใช้เทคนิคเหมืองข้อมูล
ทำนายความล้มเหลวในโรงเรียนและออกกลางคัน . เราใช้ข้อมูลที่แท้จริงเกี่ยวกับ
670 ม.ต้นนักเรียนจาก Zacatecas , M é Xico , และจ้าง
วิธีการจำแนกกล่องสีขาว เช่น กฎการเหนี่ยวนำและ
ต้นไม้เพื่อการตัดสินใจ การทดลองที่พยายามที่จะปรับปรุงความถูกต้องของพวกเขาสำหรับ
ทำนายที่นักเรียนอาจล้มเหลว หรือออกกลางคัน โดยครั้งแรกใช้
คุณลักษณะพร้อมใช้งานต่อไป การเลือกคุณลักษณะที่ดีที่สุด ; และ
ในที่สุด ปรับสมดุลและการใช้ข้อมูลต้นทุนที่มี .
ผลลัพธ์ที่ได้เมื่อเทียบกับรุ่นที่มีผลลัพธ์ที่ดีที่สุด
แสดง