論文の概要: Clustering Students According to their Academic Achievement Using Fuzzy
Logic
- arxiv url: http://arxiv.org/abs/2312.10047v1
- Date: Fri, 1 Dec 2023 23:02:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:00:10.062626
- Title: Clustering Students According to their Academic Achievement Using Fuzzy
Logic
- Title（参考訳）: ファジィ論理を用いた学生の学業成績のクラスタリング
- Authors: Serhiy Balovsyak, Oleksandr Derevyanchuk, Hanna Kravchenko, Yuriy
Ushenko, Zhengbing Hu
- Abstract要約: ファジィ論理を用いた学習成果に応じて生徒をクラスタリングするソフトウェアをPythonで開発した。
ファジィ・メンバシップ関数を用いることで,学生が特定のクラスタに属しているかどうかを正確に決定できることが示されている。
- 参考スコア（独自算出の注目度）: 15.236546465767026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The software for clustering students according to their educational
achievements using fuzzy logic was developed in Python using the Google Colab
cloud service. In the process of analyzing educational data, the problems of
Data Mining are solved, since only some characteristics of the educational
process are obtained from a large sample of data. Data clustering was performed
using the classic K-Means method, which is characterized by simplicity and high
speed. Cluster analysis was performed in the space of two features using the
machine learning library scikit-learn (Python). The obtained clusters are
described by fuzzy triangular membership functions, which allowed to correctly
determine the membership of each student to a certain cluster. Creation of
fuzzy membership functions is done using the scikit-fuzzy library. The
development of fuzzy functions of objects belonging to clusters is also useful
for educational purposes, as it allows a better understanding of the principles
of using fuzzy logic. As a result of processing test educational data using the
developed software, correct results were obtained. It is shown that the use of
fuzzy membership functions makes it possible to correctly determine the
belonging of students to certain clusters, even if such clusters are not
clearly separated. Due to this, it is possible to more accurately determine the
recommended level of difficulty of tasks for each student, depending on his
previous evaluations.
- Abstract（参考訳）: ファジィ論理を用いた学習成果に応じて生徒をクラスタリングするソフトウェアは,Google Colabクラウドサービスを用いてPythonで開発された。
教育データ解析の過程では、大量のデータから教育過程のいくつかの特徴のみが得られるため、データマイニングの問題が解決される。
データクラスタリングは古典的なK-Means法を用いて行われ、単純さと高速さを特徴とする。
クラスタ分析は、機械学習ライブラリScikit-learn(Python)を使用して、2つの機能の空間で実施された。
得られたクラスタはファジィ三角形のメンバシップ関数によって記述され、各学生の特定のクラスタへのメンバシップを正しく決定することができる。
scikit-fuzzyライブラリを使用してファジィメンバーシップ関数の作成を行う。
クラスタに属するオブジェクトのファジィ関数の開発は、ファジィ論理を使用する原理をよりよく理解することができるため、教育目的にも有用である。
開発したソフトウェアを用いたテスト教育データを処理した結果,正しい結果を得た。
ファジィメンバシップ関数を使用することで,クラスタが明確に分離されていない場合でも,学生の特定のクラスタへの帰属を正しく決定できることが示された。
このため,従来の評価によらず,各学生に推奨される課題の難易度をより正確に決定することが可能である。
関連論文リスト
- Categorical Data Clustering via Value Order Estimated Distance Metric Learning [31.851890008893847]
本稿では,属性値間の順序関係がクラスタリング精度の決定的要因であることを示す。
本稿では,クラスタと注文の協調学習を可能にする新しい学習パラダイムを提案する。
このアルゴリズムは収束保証によりより優れたクラスタリング精度を実現する。
論文 参考訳（メタデータ） (2024-11-19T08:23:25Z) - Clustering Students Based on Gamification User Types and Learning Styles [0.0]
使用したデータはトルコの州立大学に入学した251人の学生で構成されている。
学生をグループ化する際、K-meansアルゴリズムはクラスタリングアルゴリズムとして利用されてきた。
最も高いシルエット係数は0.12であり、結果が中立であるが満足できるものではない。
論文 参考訳（メタデータ） (2023-10-22T22:30:35Z) - Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy
Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。
ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文 参考訳（メタデータ） (2023-03-07T01:52:55Z) - Random projections and Kernelised Leave One Cluster Out
Cross-Validation: Universal baselines and evaluation tools for supervised
machine learning for materials properties [10.962094053749093]
1つのクラスタ・アウト・クロス・バリデーション(LOCO-CV)は、これまで目に見えない材料群を予測するアルゴリズムの性能を測定する方法として導入された。
コンポジションベース表現の徹底的な比較を行い,カーネル近似関数を用いてLOCO-CVアプリケーションの拡張を行う方法について検討する。
テストされたほとんどのタスクにおいて、ドメイン知識は機械学習のパフォーマンスを向上しないが、バンドギャップ予測は例外である。
論文 参考訳（メタデータ） (2022-06-17T15:39:39Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Searching for Robustness: Loss Learning for Noisy Classification Tasks [81.70914107917551]
テイラーを用いたフレキシブルな損失関数群をパラメタライズし、この空間におけるノイズロスの探索に進化的戦略を適用する。
その結果、ホワイトボックスの損失は、さまざまな下流タスクで効果的なノイズロバスト学習を可能にするシンプルで高速な「プラグアンドプレイ」モジュールを提供します。
論文 参考訳（メタデータ） (2021-02-27T15:27:22Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳（メタデータ） (2020-11-20T08:26:10Z) - Towards Improved and Interpretable Deep Metric Learning via Attentive
Grouping [103.71992720794421]
グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。
本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T19:08:24Z) - m-arcsinh: An Efficient and Reliable Function for SVM and MLP in
scikit-learn [2.398608007786179]
「m-arcsinh」は双曲型逆正弦関数(「arcsinh」)の修正版(「m-」)である
カーネルとアクティベーション機能は、SVM(Support Vector Machine)やMLP(Multi-Layer Perceptron)といった機械学習(ML)ベースのアルゴリズムを可能にする。
m-arcsinhはオープンソースのPythonライブラリ'cikit-learn'で実装されている
論文 参考訳（メタデータ） (2020-09-16T07:59:15Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - On the Robustness of Active Learning [0.7340017786387767]
Active Learningは、機械学習アルゴリズムをトレーニングする上で最も有用なサンプルを特定する方法に関するものだ。
十分な注意とドメイン知識を持っていないことがよくあります。
そこで本研究では,Simpson の多様性指標に基づく新たな "Sum of Squared Logits" 手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:07:23Z)
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。