In this paper, classification techn

In this paper, classification techniques are used for prediction on the dataset of 152 students, to predict and
analyze student’s performance as well slow learners among them. In this study, a model was developed based
on some selected student related input variables collected from real world (high schools). Among all data
mining classifiers Multi Layer Perception performs best with 75% accuracy and therefore MLP proves to be
potentially effective and efficient classifier algorithm. Also comparison of all 5 classifiers with the help of
WEKA experimenter is also done, in this case also MLP proves to be best with F-measure of 82%. Therefore,
performance of MLP is relatively higher than other classifiers. A model performance chart is also plotted. This
research help the institutions to identify students who are slow learners which further provide base for deciding
special aid to them. EDM is in its infancy and it has lot of potential for education.EDM opens promising and
exciting avenues for future research. In future, Integration of data mining techniques with DBMS and Elearning
techniques is merged together on different datasets to find accuracy and predictions of desired results.
Also, EDM tools are easy to understand and interfaced with various techniques. Educators with no expertise in
data mining can also apply their hands in these fields. Also some new factors can be applied to improve the
student’s performance, learning and retention capabilities among them. Hence the future of EDM is promising
for further research and can be applied in other areas like medicine, sports, and share market due to the
availability of huge databases.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เทคนิคประเภทใช้สำหรับทำนายในชุดข้อมูลของนักเรียน 152 การทำนาย และวิเคราะห์ประสิทธิภาพการทำงานของนักเรียนเป็นผู้เรียนดีช้าในหมู่พวกเขา ในการศึกษานี้ แบบจำลองได้รับการพัฒนาตามในนักเรียนบางส่วนเลือกที่เกี่ยวข้องสำหรับการป้อนค่าตัวแปรเก็บรวบรวมจากโลกจริง (โรงเรียนสูง) ระหว่างข้อมูลทั้งหมดคำนามภาษาการทำเหมืองแร่หลายชั้นรู้ทำดีที่สุดแม่นยำ 75% และดังนั้น พิสูจน์ MLP จะอัลกอริทึม classifier อาจมีประสิทธิภาพ และมีประสิทธิภาพ นอกจากนี้ยังเปรียบเทียบคำนามภาษา 5 ทั้งหมด โดยใช้นอกจากนี้ยังมีทำ WEKA experimenter ในกรณีนี้ ยัง MLP พิสูจน์ให้สุดกับ F-วัด 82% ดังนั้นประสิทธิภาพการทำงานของ MLP คือค่อนข้างมากกว่าคำนามภาษาอื่น ๆ ยังมีการลงจุดแผนภูมิแบบจำลองประสิทธิภาพการทำงาน นี้งานวิจัยช่วยสถาบันระบุนักเรียนที่เรียนช้าซึ่งเพิ่มเติม ฐานสำหรับการตัดสินใจความช่วยเหลือพิเศษไป EDM ของตราสินค้า และมีศักยภาพการศึกษาจำนวนมาก EDM เปิดสัญญา และavenues น่าตื่นเต้นสำหรับการวิจัยในอนาคต ในอนาคต รวมเทคนิคการทำเหมืองข้อมูล DBMS และบทความเทคนิคผสานเข้าด้วยกันบน datasets ต่าง ๆ เพื่อค้นหาความแม่นยำและคาดคะเนผลที่ต้องการยัง EDM เครื่องมือเข้าใจง่าย และ interfaced ด้วยเทคนิคต่าง ๆ นักการศึกษา มีความชำนาญด้านไม่การทำเหมืองข้อมูลยังสามารถใช้มือของพวกเขาในฟิลด์เหล่านี้ นอกจากนี้ยัง สามารถใช้ปัจจัยบางอย่างใหม่เพื่อปรับปรุงการของประสิทธิภาพการทำงาน การเรียนรู้ และการเก็บรักษาความสามารถในหมู่พวกเขา ดังนั้น อนาคตของ EDM เป็นสัญญาสำหรับการวิจัยเพิ่มเติม และสามารถนำไปใช้ในพื้นที่อื่น ๆ เช่นการแพทย์ กีฬา และร่วมตลาดเนื่องในความพร้อมของฐานข้อมูลขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เทคนิคการจำแนกประเภทที่ใช้สำหรับการคาดการณ์ในชุดข้อมูลที่ 152
นักเรียนที่จะคาดการณ์และวิเคราะห์ผลการดำเนินงานของนักเรียนรวมทั้งเรียนช้าในหมู่พวกเขา ในการศึกษานี้รูปแบบที่ได้รับการพัฒนาขึ้นอยู่ในบางส่วนของนักเรียนที่เลือกที่เกี่ยวข้องกับตัวแปรที่เก็บมาจากโลกแห่งความจริง (โรงเรียนมัธยม)
ท่ามกลางข้อมูลทั้งหมดแยกประเภทการทำเหมืองแร่การรับรู้หลายชั้นที่มีประสิทธิภาพที่ดีที่สุดที่มีความแม่นยำ 75% และดังนั้นจึง MLP พิสูจน์ให้เป็นที่อาจเกิดขึ้นที่มีประสิทธิภาพและขั้นตอนวิธีการจําแนกที่มีประสิทธิภาพ นอกจากนี้ยังมีการเปรียบเทียบทั้ง 5 แยกประเภทด้วยความช่วยเหลือของการทดลองWEKA จะทำยังในกรณีนี้ MLP พิสูจน์ให้เป็นที่ดีที่สุดกับ F-ตัวชี้วัดของ 82% ดังนั้นการปฏิบัติงานของ MLP ค่อนข้างสูงกว่าลักษณนามอื่น ๆ แผนภูมิประสิทธิภาพรูปแบบการพล็อตยัง นี้การวิจัยช่วยให้สถาบันการระบุนักเรียนที่เรียนช้าซึ่งต่อไปจะให้ฐานสำหรับการตัดสินใจให้ความช่วยเหลือพิเศษให้กับพวกเขา EDM อยู่ในวัยเด็กของตนและมีจำนวนมากที่มีศักยภาพสำหรับ education.EDM เปิดที่มีแนวโน้มและลู่ทางที่น่าตื่นเต้นสำหรับการวิจัยในอนาคต ในอนาคตบูรณาการข้อมูลเทคนิคการทำเหมืองกับ DBMS และ Elearning เทคนิคคือการรวมกันในชุดข้อมูลที่แตกต่างกันในการค้นหาความถูกต้องและการคาดการณ์ของผลลัพธ์ที่ต้องการ. นอกจากนี้เครื่องมือ EDM เป็นเรื่องง่ายที่จะเข้าใจและเชื่อมต่อกับเทคนิคต่างๆ การศึกษาที่มีความเชี่ยวชาญในการไม่มีการทำเหมืองข้อมูลยังสามารถใช้มือของพวกเขาในสาขาเหล่านี้ นอกจากนี้ยังมีปัจจัยบางอย่างใหม่ที่สามารถนำไปใช้ในการปรับปรุงประสิทธิภาพการทำงานของนักเรียน, การเรียนรู้และความสามารถในการเก็บรักษาในหมู่พวกเขา ดังนั้นอนาคตของ EDM จะมีแนวโน้มในการวิจัยต่อไปและสามารถนำไปใช้ในพื้นที่อื่นๆ เช่นยา, กีฬา, และส่วนแบ่งการตลาดเนื่องจากความพร้อมของฐานข้อมูลขนาดใหญ่

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เทคนิคการจำแนกจะใช้สำหรับการทำนายข้อมูลของเด็กๆ เพื่อคาดการณ์และวิเคราะห์ประสิทธิภาพของนักเรียนเป็นผู้เรียน
ดีช้าของพวกเขา ในการศึกษานี้ เป็นรุ่นที่พัฒนาจาก
บางเลือกนักศึกษาที่เกี่ยวข้องตัวแปรนำเข้าข้อมูลจากโลกจริง ( โรงเรียนมัธยม ) ในบรรดาข้อมูล
เหมืองแร่ตามการรับรู้มัลติเลเยอร์แสดงที่ดีที่สุดกับความแม่นยำ 75% ดังนั้น MLP ได้
ซ่อนเร้นที่มีประสิทธิภาพและมีประสิทธิภาพแบบอัลกอริทึม นอกจากนี้ การเปรียบเทียบทั้งหมด 5 คำ ด้วยความช่วยเหลือของ
Weka ผู้ทดลองยังทำ ในกรณีนี้ยัง MLP ได้ดีที่สุดกับค่า F ของ 82 % therefore ,
performance ของ mlp is relatively higher than classifiers 12 .รูปแบบตารางการทำงาน ยังวางแผน งานวิจัยนี้
ช่วยสถาบันการระบุนักเรียนที่เรียนช้า ซึ่งต่อไปจะให้พื้นฐานสำหรับการตัดสินใจ
ช่วยเหลือพิเศษสำหรับพวกเขา EDM ในวัยเด็กและมีศักยภาพมากสำหรับ education.edm เปิดสัญญาและ
ลู่ทางที่น่าตื่นเต้นสำหรับการวิจัยในอนาคต ในอนาคต , การบูรณาการเทคนิคเหมืองข้อมูลกับ DBMS and eLearning
เทคนิคผสานด้วยกันในชุดข้อมูลที่แตกต่างกันเพื่อค้นหาความถูกต้องและการคาดการณ์ของผลลัพธ์ที่ต้องการ .
นอกจากนี้เครื่องมือ EDM จะเข้าใจง่ายและติดต่อกับเทคนิคต่าง ๆ อาจารย์มีความเชี่ยวชาญใน
การทำเหมืองข้อมูลสามารถใช้ในมือของพวกเขาในเขตข้อมูลเหล่านี้ นอกจากนี้ บางปัจจัยใหม่ที่สามารถใช้เพื่อปรับปรุงประสิทธิภาพ
นักเรียน การเรียนรู้และความสามารถในการเก็บรักษาของพวกเขาดังนั้น อนาคตของ EDM มีแนวโน้ม
สำหรับการวิจัยต่อไป และสามารถนำไปประยุกต์ใช้ในพื้นที่อื่น ๆเช่นยา , กีฬา , และส่วนแบ่งการตลาดเนื่องจาก
ความพร้อมของฐานข้อมูลขนาดใหญ่