مقایسه و ارزیابی عملکرد سه مدل رای گیری اکثریت، انتخاب ویژگی اصلح با الگوریتم ژنتیک و بهینه سازی ازدحام ذرات بهینه در پیش بینی زمان فارغ التحصیلی دانشجویان مقطع کارشناسی

در این مقاله به مسئله چالش برانگیز بررسی و پیش بینی اتمام به موقع تحصیلی دانشجویان دوره کارشناسی پیوسته پرداخته شده است. مدل پیشنهادی شامل مدلهای شبکه عصبی با انتخاب ویژگی با الگوریتم ژنتیک و نیر به طور جداگانه مدل بهینه سازی پارامتریک ازدحام ذرات بر پایه بردار واحد پشتیبان است. در این پژوهش با کمک سوابق تحصیلی و مدت دوره تحصیلی برا حسب ترم دانشجویان مقطع کارشناسی پنج رشته مختلف نظیر مهندسی صنایع، برق و کامپیوتر دانشگاه صنعتی سجاد مشهد در نهایت پس از آماده سازی داده های خام و پیش پردازش آنها بالغ بر 3423 رکورد اطلاعاتی از سال1393 - 1382 با تکنیکهای دادهکاوی در نرمافزار رپیدماینر نسخه 9,6 سعی شد تا جهت پیشبینی زمان فارغ التحصلی تحصیل دانشجویان مقطع کارشناسی استفاده گردد. نتایج عددی حاصل از این پژوهش در مجموعه داده ی حاضر باعث دستیابی به مدلی تلفیقی با انتخاب ویژگی مبتنی بر ژنتیک در رشته مهندسی صنایع توانست با نرخ دقت 99,77%و صحت 99,2%، همچنین در رشته مهندسی برق الگوریتم انتخاب ویژگی بهینه سازی ازدحام ذرات توانست با پیشی گرفتن از بقیه مدلها با دقت 19.95% و نرخ صحت 100% و در مجموع دقت کل حاصله 95,62% بهترین نتیجه را داشته باشد. قابل به ذکر است که پیش پردازش نهایی مجموعه داده ها تاثیر بسزایی در نتایج مدلها دارد. چراکه در مجموعه داده رشته کارشناسی کامپیوتر مدل هیبرید رایگیری اکثریت از مدلهای مرجع داده کاوی با نرخ دقت 99,02%و صحت%97,11 در این امر میتواند نوید بخش استفاده از مدل پیشنهادی در پیشبینی زود هنگام زمان فارغ التحصیلی دانشجویان باشد.

Keywords:

داده کاوی آموزشی , الگوریتم ژنتیک , بهینه سازی ازدحام ذرات , شبکه عصبی , پیش بینی زمان فارغ التحصیلی