3) Data mining. At this stage, DM a

3) Data mining. At this stage, DM algorithms are applied to
predict student failure like a classification problem. To
do this task, we propose to use classification algorithms
based on rules and decision trees. These are“white box”
techniques that generate easily interpretable models. In
addition, a cost sensitive classification approach is also
used in order to solve the imbalanced data problem.
Finally, different algorithms have been executed, evaluated
and compared in order to determine which one
obtains the best results.

ผลลัพธ์ (ไทย) 1:

3) การทำเหมืองข้อมูล ในขั้นตอนนี้ DM อัลกอริทึมจะใช้ทำนายความล้มเหลวของนักเรียนเช่นปัญหาการจัดประเภท ถึงทำงานนี้ เราเสนอการใช้อัลกอริทึมการจัดประเภทตามกฎและต้นไม้ตัดสินใจ นี่คือ "กล่องสีขาว"เทคนิคสร้างแบบจำลองได้อย่างง่ายดาย interpretable ในนอกจากนี้ วิธีการจัดประเภทที่สำคัญต้นทุนเป็นใช้เพื่อแก้ปัญหาข้อมูล imbalancedในที่สุด อัลกอริทึมต่าง ๆ ได้ดำเนินการ ประเมินและเปรียบเทียบเพื่อกำหนดซึ่งได้รับผลลัพธ์ดีที่สุด

ผลลัพธ์ (ไทย) 2:

3) การทำเหมืองข้อมูล ในขั้นตอนนี้ขั้นตอนวิธีการ DM จะนำไปใช้
คาดการณ์ความล้มเหลวของนักเรียนเช่นปัญหาการจัดหมวดหมู่ ที่จะ
ทำงานนี้เราเสนอให้ใช้ขั้นตอนวิธีการจัดหมวดหมู่
ขึ้นอยู่กับกฎระเบียบและต้นไม้ตัดสินใจ เหล่านี้เป็น "กล่องสีขาว"
เทคนิคการสร้างแบบจำลองที่ interpretable ได้อย่างง่ายดาย ใน
นอกจากนี้ค่าใช้จ่ายในการจัดหมวดหมู่วิธีการที่มีความสำคัญนอกจากนี้ยัง
ใช้เพื่อแก้ปัญหาขาดดุลข้อมูล.
ในที่สุดขั้นตอนวิธีการที่แตกต่างกันได้รับการดำเนินการประเมิน
และเปรียบเทียบเพื่อตรวจสอบที่หนึ่งที่
ได้รับผลที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

3 ) การทำเหมืองข้อมูล ในขั้นตอนนี้จะใช้ขั้นตอนวิธี DM
ทำนายความล้มเหลว เช่น นักเรียน ปัญหาการจำแนก

งานนี้เราเสนอให้ใช้ขั้นตอนวิธีการจำแนก
ตามกฎและต้นไม้การตัดสินใจ เหล่านี้เป็น " กล่องสีขาว "
เทคนิคที่สร้างได้อย่างง่ายดาย interpretable รุ่น ใน
นอกจากนี้ต้นทุนการจำแนกวิธีการยัง
ไวที่ใช้ในการแก้ไขปัญหาข้อมูลไม่สมดุล .
ในที่สุดอัลกอริทึมต่าง ๆได้ดำเนินการประเมินและเปรียบเทียบเพื่อศึกษา

ซึ่งหนึ่งได้รับผลลัพธ์ที่ดีที่สุด