Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: support vector classifier

Sortuj według:

Ogranicz wyniki do:

Determining student's online academic performance using machine learning techniques

100%

Islam A. , Bukhari F. , Sattar M. A. , Kashif A.

2024

tom T. 14, nr 3

109--117

Predicting student's academic performance during online learning has been considered a major task during the pandemic period. During the online mode of learning, academic activities have been affected in such a way that the management of educational institutions has planned to design support systems for predicting the student's performance to reduce the dropout ratio of the students and bring improvement in academic activities. During COVID-19, the main challenge is maintaining student's grades by predicting their academic performance using different techniques such as Education Data Mining and Learning Analytics. Different features have been identified related to the teaching mechanisms in online learning, which have a great impact on the improvement of academic performance. A high-quality dataset helps us to generate productive results, which in turn helps us to make effective decisions for promoting high-quality education. In this research, five prediction models for predicting academic performance have been proposed by collecting an imbalanced dataset of 350 students from the same computer science domain. After applying pre-processing techniques for cleaning the data, machine learning models have been applied, including K-Nearest Neighbor Classifier, Decision Tree, Random Forest, Support Vector Classifier, and Gaussian Naive Bayes. Results have been predicted for an imbalanced and balanced dataset after feature selection. Support Vector classifier has produced the best results in a balanced dataset with selected features by giving an accuracy of 96.89%.

Przewidywanie wyników akademickich studentów podczas nauki online było uważane za ważne zadanie w okresie pandemii. W trakcie nauki w trybie online działalność akademicka była zakłócana w taki sposób, że zarządy instytucji edukacyjnych planowały projektowanie systemów wsparcia do przewidywania wyników studentów w celu zmniejszenia wskaźnika rezygnacji ze studiów i poprawy działalności akademickiej. Podczas COVID-19 głównym wyzwaniem jest utrzymanie ocen studentów poprzez przewidywanie ich wyników akademickich za pomocą różnych technik, takich jak Edukacyjna Analiza Danych i Analityka Edukacyjna. Zidentyfikowano różne cechy związane z mechanizmami nauczania w nauce online, które mają duży wpływ na poprawę wyników akademickich. Wysokiej jakości zestaw danych pomaga generować produktywne wyniki, które z kolei pomagają podejmować skuteczne decyzje na rzecz promowania wysokiej jakości edukacji. W tym badaniu zaproponowano pięć modeli predykcyjnych do przewidywania wyników akademickich, zbierając niezrównoważony zestaw danych 350 studentów z tej samej dziedziny informatyki. Po zastosowaniu technik przetwarzania wstępnego do oczyszczania danych, zastosowano modele uczenia maszynowego, w tym klasyfikator K-Najbliższych Sąsiadów, Drzewo Decyzyjne, Las Losowy, Klasyfikator Wektorów Wspierających oraz Naiwny Klasyfikator Bayesa Gaussowskiego. Wyniki przewidziano dla niezrównoważonego i zrównoważonego zestawu danych po selekcji cech. Klasyfikator wektorów wspierających wyprodukował najlepsze wyniki w zrównoważonym zestawie danych z wybranymi cechami, osiągając dokładność 96,89%.

Estimating the Shapes of Gravity Sources through Optimized Support Vector Classifier (SVC)

80%

Hekmatian M. E. , Ardestani V. E. , Riahi M. A. , Bagh A. M. K. , Amini J.

tom Vol. 63, no. 4

1000--1024

In gravity interpretation methods, an initial guess for the approximate shape of the gravity source is necessary. In this paper, the support vector classifier (SVC) is applied for this duty by using gravity data. It is shown that using SVC leads us to estimate the approximate shapes of gravity sources more objectively. The procedure of selecting correct features is called feature selection (FS). In this research, the proper features are selected using inter/intra class distance algorithm and also FS is optimized by increasing and decreasing the number of dimensions of features space. Then, by using the proper features, SVC is used to estimate approximate shapes of sources from the six possible shapes, including: sphere, horizontal cylinder, vertical cylinder, rectangular prism, syncline, and anticline. SVC is trained using 300 synthetic gravity profiles and tested by 60 other synthetic and some real gravity profiles (related to a well and two ore bodies), and shapes of their sources estimated properly.