論文の概要: Analyzing the Capabilities of Nature-inspired Feature Selection
Algorithms in Predicting Student Performance
- arxiv url: http://arxiv.org/abs/2308.08574v2
- Date: Sat, 7 Oct 2023 23:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 04:51:27.589488
- Title: Analyzing the Capabilities of Nature-inspired Feature Selection
Algorithms in Predicting Student Performance
- Title（参考訳）: 自然に触発された特徴選択アルゴリズムの学生成績予測能力の解析
- Authors: Thomas Trask
- Abstract要約: 本稿では,学生のパフォーマンス予測に使用するアンサンブルアルゴリズムの特徴選択部分において,自然に触発されたアルゴリズムの相対的性能について分析を行った。
その結果,自然に着想を得たアルゴリズムを特徴選択に利用し,従来のMLアルゴリズムを分類に利用することで,予測精度が向上し,特徴セットのサイズを最大65%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting student performance is key in leveraging effective pre-failure
interventions for at-risk students. As educational data grows larger, more
effective means of analyzing student data in a timely manner are needed in
order to provide useful predictions and interventions. In this paper, an
analysis was conducted to determine the relative performance of a suite of
nature-inspired algorithms in the feature-selection portion of ensemble
algorithms used to predict student performance. A Swarm Intelligence ML engine
(SIMLe) was developed to run this suite in tandem with a series of traditional
ML classification algorithms to analyze three student datasets: instance-based
clickstream data, hybrid single-course performance, and student
meta-performance when taking multiple courses simultaneously. These results
were then compared to previous predictive algorithms and, for all datasets
analyzed, it was found that leveraging an ensemble approach using
nature-inspired algorithms for feature selection and traditional ML algorithms
for classification significantly increased predictive accuracy while also
reducing feature set size by up to 65 percent.
- Abstract（参考訳）: リスクの高い学生に対する効果的な事前障害介入の活用には,学生のパフォーマンス予測が重要である。
教育データが大きくなるにつれて、有用な予測や介入を提供するために、学生データをタイムリーに分析するより効果的な手段が必要となる。
本稿では,学生のパフォーマンス予測に使用するアンサンブルアルゴリズムの特徴選択部分において,自然に触発されたアルゴリズムの相対的性能について分析を行った。
Swarm Intelligence MLエンジン(SIMLe)は、このスイートを一連の伝統的なML分類アルゴリズムと組み合わせて実行し、インスタンスベースのクリックストリームデータ、ハイブリッドシングルコースのパフォーマンス、複数のコースを同時に行う際の学生のメタパフォーマンスの3つのデータセットを分析するために開発された。
これらの結果は従来の予測アルゴリズムと比較され、分析されたすべてのデータセットに対して、特徴選択に自然に触発されたアルゴリズムと従来のmlアルゴリズムを用いたアンサンブルアプローチを用いることで、予測精度が大幅に向上するとともに、特徴セットサイズを最大65%削減できることが判明した。
関連論文リスト
- Utilizing Data Fingerprints for Privacy-Preserving Algorithm Selection in Time Series Classification: Performance and Uncertainty Estimation on Unseen Datasets [4.2193475197905705]
プライバシ保存方式で時系列分類データセットを記述した新しいデータフィンガープリントを導入する。
マルチターゲット回帰問題を分解することにより、アルゴリズムの性能と不確実性を推定するために、我々のデータフィンガープリントのみが使用される。
我々のアプローチは、カリフォルニア大学リバーサイドベンチマークデータセット112で評価されている。
論文 参考訳（メタデータ） (2024-09-13T08:43:42Z) - Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳（メタデータ） (2024-03-12T08:40:21Z) - Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources [0.0]
本研究の目的は,Intelligent Tutoring Systemの異なるデータソースを用いて,大学生の学習成績を予測することである。
異なるマルチモーダルソースから40名の学生のデータを収集・前処理した。
論文 参考訳（メタデータ） (2024-02-10T09:31:39Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
フェアネスと精度を両立させる特徴部分選択手法を提案する。
モデル性能の指標としてF1-Scoreを用いる。
最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
論文 参考訳（メタデータ） (2022-04-30T22:51:19Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-18T17:25:43Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Generalization in portfolio-based algorithm selection [97.74604695303285]
ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。
ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
論文 参考訳（メタデータ） (2020-12-24T16:33:17Z) - Computational Models for Academic Performance Estimation [21.31653695065347]
本稿では,ディープラーニングと機械学習のアプローチを深く分析し,自動学生のパフォーマンス推定システムの構築について述べる。
主なコントリビューションは、(a)15のコースからなる大規模なデータセット(学術研究のために公開されている)、(b)このデータセットの推定問題に関する統計的分析と改善である。
機能エンジニアリングや論理関数の推論に依存する従来のアプローチとは異なり、我々のアプローチは完全にデータ駆動であり、様々な予測タスクでパフォーマンスが向上する。
論文 参考訳（メタデータ） (2020-09-06T07:31:37Z) - Multi-split Optimized Bagging Ensemble Model Selection for Multi-class
Educational Data Mining [8.26773636337474]
この研究は、2つの異なる大学における2つの異なる学部のデータセットを分析します。
コース配信の2段階(それぞれ20%と50%)の成績を予測することを目的としている。
論文 参考訳（メタデータ） (2020-06-09T03:22:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。