机构名称：
¥ 1.0
摘要：本研究使用各种机器学习分类模型，包括随机森林，逻辑回归，catboost，支持向量分类（SVC）和幼稚的贝叶斯进行基于技能的课程的学习分析。目标是将学生成果分为四个类：通过，区分，撤回和失败。这项研究有助于学习分析和教育中的机器学习应用的知识越来越多。这项调查的发现为教育者和学术机构提供了一个强大的框架，可早日识别出表现不佳或退出风险的学生，从而及时进行干预，以增强学生在基于技能的课程中的成功。关键字：随机森林，逻辑回归，catboost，支持向量分类（SVC）和幼稚的贝叶斯，MLP，LDA，被动侵略性分类器。简介学术界基于技能的课程的重要性日益重要，这是需要创新的方法来有效地监视和增强学生的绩效。本文旨在开发和比较各种ML分类模型，包括随机森林，逻辑回归，Catboost，SVC和幼稚的贝叶斯，以预测基于技能的课程的学生成果。通过分析历史学生数据，该项目试图将结果归类为通过，杰出，撤回和失败，并为高危学生提供有价值的见解，以供早期识别和干预。文献调查：-1。Jermine G.valen-dacanay。和Thelma D. Palaoag [2023]： - 预测学生的成功对于
探索基于技能的课程的学习分析...
主要关键词
相关文件推荐
