환경 인지 신경 과학 도구로서 기계 학습 기술에 인공 벌과 개미 집단 최적화 활용
페이지 정보
본문
인지 신경 과학 도구로서 기계 학습 기술에 인공 벌과 개미 집단 최적화 활용
고등교육은 학생들에게 다양한 영역을 노출시키기 때문에 필수적입니다. IT 학생들의 학업 성취도는 매우 중요하며, 그들에게 영향을 미치는 특징과 강점, 단점을 식별하기 위해 문서화되지 않으면 실패할 수 있습니다. 교사가 학생들의 성취도를 예측할 수 있도록 학생 학업 예측 시스템을 개선해야 합니다. IT 학생들의 예측 정확도를 높이기 위한 수많은 연구가 수행되었지만, 불균형 데이터와 알고리즘 튜닝에 어려움을 겪었습니다. 이러한 문제를 해결하기 위해 이 연구는 합성 소수 과다 샘플링 기법(SMOTE)을 적용하고 하이퍼파라미터 튜닝 알고리즘을 사용하여 학습 프로세스 동안 예측을 개선하는 다양한 머신 러닝(ML) 알고리즘을 제안했습니다. 우리가 사용한 ML 모델은 결정 트리(DT), k-최근접 이웃, XGBoost였습니다. 이 모델은 개미 집단 최적화(ACO)와 인공 벌 집단 최적화 기법을 적용하여 미세 조정되었습니다. 이후 이러한 최적화 기법은 모델의 성능을 더욱 향상시켰습니다. 두 모델을 비교한 결과, SMOTE와 ACO를 DT 모델과 결합한 것이 학업 예측에 있어 다른 모델보다 성과가 더 좋았다는 결과가 나왔습니다. 또한, 이 연구는 Kendall Tau 상관 계수 기법을 사용하여 특징 간의 상관 관계를 분석하고 학생의 성공에 긍정적 또는 부정적 영향을 미치는 요인을 파악했습니다.
관련링크
댓글목록
등록된 댓글이 없습니다.
