Estudio Comparativo de Técnicas no Supervisadas de Minería de Datos para Segmentación de Alumnos

• Leticia Laura Ochoa ^[1] ; Karina Rosas Paredes ^[1] ; José Esquicha Tejada ^[1]
  1. [1] 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

  • Existen varios algoritmos de clustering que generan diferentes resultados de agrupamiento, por lo que es necesario elegir el algoritmo que ofrezca mejores resultados para la segmentación académica, en este trabajo se realiza un estudio comparativo de técnicas no supervisadas de minería de datos para la segmentación de alumnos utilizando algoritmos de K-means y PAM dentro del clustering particional y métodos de ward, single, complete, average, mcquitty, median y centroid del clustering jerárquico aglomerativo, luego se elige el algoritmo de minería de datos con la que se obtiene mejor calidad de agrupamiento utilizando medidas internas como las distancias intra-cluster e inter-cluster, y el coeficiente de silueta, obteniendo mejores resultados con la técnica de clustering particional K-means para la segmentación académica en tres grupos que puede ser utilizado para reforzar el aprendizaje de los alumnos en los niveles básico, intermedio y avanzado.