Educational data mining (EDM) is a

Educational data mining (EDM) is a new growing research area and the essence of data mining concepts are used
in the educational field for the purpose of extracting useful information on the behaviors of students in the learning process. In
this EDM, feature selection is to be made for the generation of subset of candidate variables. As the feature selection influences
the predictive accuracy of any performance model, it is essential to study elaborately the effectiveness of student performance
model in connection with feature selection techniques. In this connection, the present study is devoted not only to investigate
the most relevant subset features with minimum cardinality for achieving high predictive performance by adopting various
filtered feature selection techniques in data mining but also to evaluate the goodness of subsets with different cardinalities and
the quality of six filtered feature selection algorithms in terms of F-measure value and Receiver Operating Characteristics (ROC)
value, generated by the NaïveBayes algorithm as base-line classifier method. The comparative study carried out by us on six
filter feature section algorithms reveals the best method, as well as optimal dimensionality of the feature subset. Benchmarking
of filter feature selection method is subsequently carried out by deploying different classifier models. The result of the present
study effectively supports the well known fact of increase in the predictive accuracy with the existence of minimum number of
features. The expected outcomes show a reduction in computational time and constructional cost in both training and
classification phases of the student performance model.

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลเพื่อการศึกษา (EDM) เป็นพื้นที่วิจัยขึ้นใหม่ และใช้สาระสำคัญของแนวคิดการทำเหมืองข้อมูลในฟิลด์การศึกษาเพื่อแยกข้อมูลที่เป็นประโยชน์ในการทำงานของนักเรียนในกระบวนการเรียนรู้ ในEDM นี้ เลือกลักษณะการทำจะต้องทำสำหรับการสร้างชุดย่อยของตัวแปรที่ผู้สมัคร เป็นอิทธิพลการเลือกคุณลักษณะความแม่นยำทำนายรุ่นมีประสิทธิภาพ เป็นศึกษาประสิทธิภาพของประสิทธิภาพการทำงานของนักเรียนอย่างประณีตบรรจงรูปแบบร่วมกับเทคนิคการเลือกคุณลักษณะ ในการนี้ ศึกษาทุ่มเทไม่เพียงเพื่อการตรวจสอบคุณลักษณะย่อยส่วนเกี่ยวข้องกับจำนวนนับขั้นต่ำสำหรับระบบประสิทธิภาพสูงโดยการใช้ต่าง ๆกรองคุณลักษณะเลือกเทคนิค ในการทำเหมืองข้อมูล แต่ การประเมินความดีของชุดย่อยกับ cardinalities แตกต่างกัน และคุณภาพของอัลกอริทึมการเลือกกรองคุณลักษณะหก F-วัดค่าและลักษณะการใช้งานตัวรับสัญญาณ (ROC)ค่า การสร้างขึ้น โดยอัลกอริทึม NaïveBayes เป็นวิธีการจำแนกเส้นฐาน การศึกษาเปรียบเทียบที่ดำเนินการ โดยเราในหกตัวกรองคุณลักษณะส่วนอัลกอริทึมเผยวิธีที่ดีที่สุด เป็นมิติที่ดีที่สุดของชุดย่อยของคุณลักษณะ การเปรียบเทียบตัวกรอง วิธีการเลือกคุณลักษณะมาดำเนินการ โดยใช้ลักษณนามต่างกันรุ่นนี้ ผลการค้นหาปัจจุบันศึกษาได้อย่างมีประสิทธิภาพสนับสนุนความจริงที่รู้จักกันดีของการเพิ่มความแม่นยำทำนายกับการดำรงอยู่ของจำนวนขั้นต่ำคุณสมบัติ ผลคาดว่าจะแสดงการลดในการคำนวณเวลาและค่าใช้จ่ายโรงส่วนในการฝึกอบรมทั้ง และขั้นตอนการจัดประเภทของรูปแบบประสิทธิภาพของนักเรียน

ผลลัพธ์ (ไทย) 2:

ข้อมูลการศึกษาการทำเหมืองแร่ (EDM) เป็นพื้นที่วิจัยใหม่ที่กำลังเติบโตและสาระสำคัญของแนวคิดการทำเหมืองข้อมูลที่มีการใช้
ในด้านการศึกษาสำหรับวัตถุประสงค์ของการแยกข้อมูลที่เป็นประโยชน์ต่อพฤติกรรมของนักเรียนในกระบวนการเรียนรู้ ใน
EDM นี้การเลือกคุณลักษณะที่จะทำในการสร้างกลุ่มย่อยของตัวแปรที่ผู้สมัคร การเลือกคุณลักษณะที่มีอิทธิพลต่อ
ความถูกต้องของรูปแบบการทำนายผลการดำเนินงานใด ๆ ก็เป็นสิ่งจำเป็นในการศึกษาอย่างประณีตประสิทธิผลของการปฏิบัติงานของนักเรียน
ในรูปแบบการเชื่อมต่อกับเทคนิคการเลือกคุณลักษณะ ในการนี้การศึกษาในปัจจุบันคืออุทิศไม่เพียง แต่จะตรวจสอบ
คุณสมบัติกลุ่มย่อยที่เกี่ยวข้องมากที่สุดกับ cardinality ขั้นต่ำสำหรับการบรรลุประสิทธิภาพตามที่คาดสูงโดยการนำต่างๆ
กรองเทคนิคการเลือกคุณลักษณะในการทำเหมืองข้อมูล แต่ยังรวมถึงการประเมินความดีของส่วนย่อยด้วย cardinalities ที่แตกต่างกันและ
มีคุณภาพ หกกรองขั้นตอนวิธีการเลือกคุณลักษณะในแง่ของมูลค่า F-วัดและสาระผู้รับการดำเนินงาน (ROC)
มูลค่าที่เกิดจากขั้นตอนวิธีNaïveBayesเป็นวิธีการจําแนกฐานเส้น การศึกษาเปรียบเทียบการดำเนินการโดยเราได้ที่หก
กรองอัลกอริทึมคุณลักษณะส่วนแสดงให้เห็นวิธีที่ดีที่สุดเช่นเดียวกับมิติที่ดีที่สุดของระบบย่อยคุณลักษณะ การเปรียบเทียบ
วิธีการเลือกคุณลักษณะกรองจะดำเนินการภายหลังออกโดยการปรับใช้รูปแบบที่แตกต่างกันลักษณนาม ผลของปัจจุบัน
การศึกษาได้อย่างมีประสิทธิภาพรองรับความเป็นจริงที่รู้จักกันดีของการเพิ่มขึ้นในความถูกต้องของการคาดการณ์กับการดำรงอยู่ของจำนวนขั้นต่ำของ
คุณสมบัติ ผลลัพธ์ที่คาดว่าจะได้แสดงให้เห็นในการลดเวลาและค่าใช้จ่ายในการคำนวณการก่อสร้างทั้งในการฝึกอบรมและ
การจัดหมวดหมู่ขั้นตอนของรูปแบบการปฏิบัติงานของนักเรียน

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลเพื่อการศึกษา ( EDM ) เป็นใหม่เติบโตพื้นที่วิจัยและสาระสําคัญของเหมืองข้อมูลที่ใช้แนวคิดในด้านการศึกษา เพื่อนำข้อมูลที่เป็นประโยชน์ต่อพฤติกรรมของนักเรียนในการเรียนรู้ ในรูปนี้ การเลือกคุณลักษณะที่จะทำสำหรับรุ่นของเซตย่อยของตัวแปรครับ เป็นคุณลักษณะการมีอิทธิพลความถูกต้องในการทำนายของแบบจำลองประสิทธิภาพเป็นสิ่งจำเป็นเพื่อศึกษาประสิทธิผลของนักเรียนอย่างละเอียดรูปแบบในการเชื่อมต่อกับเทคนิคการคัดเลือกคุณลักษณะ ในการเชื่อมต่อนี้ การศึกษานี้จะทุ่มเทไม่เพียง แต่จะตรวจสอบส่วนย่อยที่เกี่ยวข้องมากที่สุดกับน้อยที่สุดเพื่อให้บรรลุคุณลักษณะภาวะเชิงการนับทำนายสมรรถนะสูงโดยการใช้ต่าง ๆกรองคุณลักษณะการเลือกเทคนิคในการทำเหมืองข้อมูลแต่ยังประเมินความสอดคล้องของข้อมูลกับ cardinalities แตกต่างกัน และคุณภาพของหกกรองคุณลักษณะการเลือกอัลกอริทึมในแง่ของมูลค่าค่า F และรับคุณลักษณะการทำงาน ( ROC )คุณค่าที่สร้างขึ้นโดย na ไต vebayes ขั้นตอนวิธีเป็นบรรทัดฐาน 1 วิธีการ การศึกษาเปรียบเทียบการกระทำโดยเรา หกคุณลักษณะตัวกรองส่วนขั้นตอนวิธีพบวิธีที่ดีที่สุด รวมทั้ง dimensionality ที่ดีที่สุดคุณลักษณะย่อย . การเทียบเคียงสมรรถนะวิธีการการเลือกคุณลักษณะตัวกรองจะดำเนินการโดยองค์กรที่แตกต่างกันและประเภทรุ่น ผลของปัจจุบันการศึกษาประสิทธิภาพรองรับความเป็นจริงที่รู้จักกันดีของการเพิ่มขึ้นในความถูกต้องพยากรณ์กับการดำรงอยู่ของขั้นต่ำจำนวนคุณสมบัติ ผลที่คาดหวังแสดงการคำนวณเวลาและค่าใช้จ่ายอื่นๆทั้งในการฝึกอบรมและการจำแนกขั้นตอนของการปฏิบัติงานนักศึกษานางแบบ