Educational Data Mining 2009Abstrac

Educational Data Mining 2009

Abstract. The monitoring and support of university freshmen is considered very

important at many educational institutions. In this paper we describe the results

of the educational data mining case study aimed at predicting the Electrical

Engineering (EE) students drop out after the first semester of their studies or

even before they enter the study program as well as identifying success-factors

specific to the EE program. Our experimental results show that rather simple

and intuitive classifiers (decision trees) give a useful result with accuracies

between 75 and 80%. Besides, we demonstrate the usefulness of cost-sensitive

learning and thorough analysis of misclassifications, and show a few ways of

further prediction improvement without having to collect additional data about

the students.

ผลลัพธ์ (ไทย) 1:

ศึกษาข้อมูลการทำเหมืองแร่ 2009บทคัดย่อ ตรวจสอบและการสนับสนุนของมหาวิทยาลัยเฟรชเมนถือว่ามากสิ่งสำคัญที่สถาบันการศึกษาหลาย ในเอกสารนี้ เราอธิบายผล กรณีศึกษาเหมืองข้อมูลศึกษาเพื่อคาดการณ์การไฟฟ้า นักศึกษาวิศวกรรม (EE) ปล่อยออกหลังจากภาคแรกของนักศึกษา หรือ ก่อนที่จะป้อนโปรแกรมการศึกษาเป็นการระบุปัจจัยความสำเร็จ การโปรแกรมแบบ ผลการทดลองของเราแสดงว่าค่อนข้างง่าย คำนามภาษาง่าย (ต้นไม้ตัดสินใจ) ให้ผลประโยชน์กับ accuracies ระหว่าง 75 และ 80% นอก เราสาธิตประโยชน์ของต้นทุนความ วิเคราะห์อย่างละเอียด และเรียน misclassifications และแสดงตัวอย่างวิธีของ เพิ่มเติมปรับปรุงทำนาย โดยไม่ต้องเก็บข้อมูลเพิ่มเติมเกี่ยวกับ นักเรียน

ผลลัพธ์ (ไทย) 2:

การศึกษาการทำเหมืองข้อมูล 2009 บทคัดย่อ การตรวจสอบและการสนับสนุนของนักศึกษามหาวิทยาลัยได้รับการยกย่องมากที่สำคัญในสถาบันการศึกษาจำนวนมาก ในบทความนี้เราจะอธิบายผลของการศึกษากรณีการทำเหมืองข้อมูลการศึกษาที่มุ่งทำนายไฟฟ้าวิศวกรรม(EE) นักเรียนเลื่อนออกหลังจากที่ภาคการศึกษาแรกของการศึกษาของพวกเขาหรือแม้กระทั่งก่อนที่จะเข้าสู่โปรแกรมการศึกษาเช่นเดียวกับระบุปัจจัยความสำเร็จที่เฉพาะเจาะจงเพื่อโปรแกรม EE ผลการทดลองของเราแสดงให้เห็นว่าค่อนข้างง่ายแยกแยะและใช้งานง่าย (การตัดสินใจต้นไม้) ให้ผลประโยชน์กับความถูกต้องระหว่าง75 และ 80% นอกจากนี้เราแสดงให้เห็นถึงประโยชน์ของค่าใช้จ่ายที่มีความไวต่อการเรียนรู้และการวิเคราะห์อย่างละเอียดของ misclassifications และแสดงไม่กี่วิธีของการปรับปรุงการคาดการณ์ต่อไปได้โดยไม่ต้องเก็บรวบรวมข้อมูลเพิ่มเติมเกี่ยวกับนักเรียน

ผลลัพธ์ (ไทย) 3:

การศึกษาข้อมูลเหมืองแร่ 2009

นามธรรม การกำกับดูแลและสนับสนุนของนิสิตชั้นปีที่ 1 มหาวิทยาลัยจะถือว่ามาก

ที่สำคัญสถาบันการศึกษามากมาย ในบทความนี้เราจะอธิบายผล

ของการศึกษาข้อมูลเหมืองแร่กรณีศึกษามุ่งพยากรณ์ไฟฟ้า

วิศวกรรม ( EE ) นักเรียนออกจากหลังจบเทอมแรกของการศึกษาของพวกเขาหรือ

แม้กระทั่งก่อนที่พวกเขาใส่โปรแกรมการศึกษาเช่นเดียวกับการระบุปัจจัยความสำเร็จ

เฉพาะโปรแกรมอี ผลการทดลองพบว่าค่อนข้างง่ายและใช้งานง่าย

คำลักษณนาม ( ต้นไม้ตัดสินใจ ) ให้ผลประโยชน์กับความถูกต้อง

ระหว่าง 75 ถึง 80 % นอกจากนี้ เราแสดงให้เห็นถึงประโยชน์ของต้นทุนไว

เรียน misclassifications การวิเคราะห์อย่างละเอียดของ ,และแสดงวิธีการไม่กี่ของ

ต่อไปทำนายปรับปรุงโดยไม่ต้องเก็บรวบรวมข้อมูลเพิ่มเติมเกี่ยวกับ

นักเรียน