پژوهشی در مورد تکنیک های انتخاب ویژگی در داده کاوی آموزشی

داده کاوی آموزشی (EDM) حوزه ی تحقیقاتی در حال رشد جدیدی است و ضروریت مفاهیم داده کاوی با هدف استخراج اطلاعات مفید در ارتباط با رفتار دانش آموزان در فراید یادگیری در حوزه ی آموزشی مورد استفاده قرار می گیرد در این EDM انتخاب ویژگی برای ایجاد زیرمجموعه ی از متغیرهای نامزد شده انجام می شود. از آنجا که انتخاب ویژگی بر دقت پیشگویانه ی هر نوع مدل اجرایی تاثیر می گذارد، مطالعه ی کامل موثر بودن مدل عملکرد دانش آموز در ارتباط باتکنیک های انتخاب ویژگی ضروری است. در همین ارتباط، این پژوهش نه تنها به بررسی مربوط ترین زیر مجموعه با کمترین تعداد اجزای اصلی برای دستیابی به عملکرد پیشگویانه همراه با تطبیق تکنیک های انتخاب ویژگی در داده کاوی اختصاص یافته بلکه به ارزیابی مزیت زیرمجموعه ها با اعداد اصلی مختلف و کیفیت شش الگوریتم انتخاب ویژگی فیلتر شده بر حسب اندازه ی مقدار F و مقدار ویژگی های اجرایی گیرنده (ROC) که توسط الگوریتم نایوبایس (NaiveBayes) به عنوان روش طبقه بندی خط-مبنا ایجاد شده نیز پرداخته است. پژوهشی مقایسه ای توسط ما به انجام رسیده است که در مورد شش الگوریتم بخش ویژگی فیلتر است و نشان دهنده ی بهترین روش و همین طور ابعاد بهینه ی زیر مجموعه ی ویژگی می باشد. معیار سنجی روش انتخاب ویژگی فیلتر متعاقباً با به کارگیری مدل های طبقه بندی کننده ی متفاوتی به انجام رسید. نتیجه ی این پژوهش به شکل موثری از حقیقت شناخته شده ی افزایش دقت پیشگویانه به همراه وجود حداقل تعداد ویژگی ها پشتیبانی می کند. نتایج مورد نظر نشان دهنده ی کاهش در زمان محاسبه و هزینه های ساخت در هر دو فاز تمرین و طبقه بندی مدل اجرایی دانش آموز هستند.

کلیدواژه ها:

داده کاوی آموزشی ، تکنیک های انتخاب ویژگی ، زیر مجموعه بهینه ، طبقه بندی کننده ی NaiveBayes مقادیر ROC آموزش ثانویه ی بالاتر ، مدل های پیش بینی ، دقت طبقه بندی کننده