Evaluación de Técnicas de Minería de Datos para la Predicción del Rendimiento Académico

• Leticia Laura Ochoa ^[1] ; Karina Rosas Paredes ^[2] ; César Baluarte Araya ^[1]
  1. [1] Universidad Nacional de San Agustín

     Universidad Nacional de San Agustín

     Arequipa, Perú

     
  2. [2] Universidad Católica de Santa María

     Universidad Católica de Santa María

     Arequipa, Perú

     
• Localización: Global Partnerships for Development and Engineering Education: Proceedings of the 15th LACCEI International Multi-Conference for Engineering, Education and Technology,July 19-21, 2017, Boca Raton, FL, United States / Victor Hugo Gonzalez Jaramillo (dir.), Pedro Fabricio Zanzzi Diaz (dir.), Rudy Altamirano Zambrano (dir.), Gissela Ganchozo Ortega (aut.), 2017, ISBN 978-0-9993443-0-9
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • En este trabajo se realiza la evaluación comparativa de técnicas de aprendizaje supervisado de minería de datos que permiten la clasificación de más de dos clases o categorías, como son el árbol de decisión, random forest, redes bayesianas, K vecinos más cercanos (KNN) y máquinas de soporte vectorial (SVM) para la predicción del rendimiento académico de los alumnos dentro de las categorías bajo, medio y alto, utilizando el lenguaje R. Para seleccionar el mejor algoritmo de clasificación, se utilizó técnicas de comparación de precisión a partir de las matrices de confusión obtenidas por los diferentes modelos de minería de datos aplicados así como técnicas de validación cruzada, también se comparó los tiempos de ejecución que demoraron en la construcción de los modelos, resultando la técnica de SVM una de las más eficientes en tiempo de ejecución y la más precisa en las pruebas de predicción del rendimiento académico.