Порівняльна характеристика алгоритмів для задачі прогнозування академічної успішності здобувачів вищої освіти на основі аналізу даних про відвідуваність та оцінки

Abstract

Проведено порівняльний аналіз двох алгоритмів ансамблевого машинного навчання для задачі прогнозування академічної успішності студентів: Random Forest та Gradient oosting. Нами згенеровано штучний датасет з 1000 записів, що включає ознаки відвідуваність занять (0-100%), оцінки за проміжні тести (0-100%) та домашні завдання (0-100%), а також бінарну цільову змінну – успішність (проходження/невдача). Розглянуто принципи функціонування обох алгоритмів та їх застосування до обробки згенерованих даних. Показано, що Random Forest забезпечує точність 84,50%, F1-score 67.37% та U 92,21%, а Gradient oosting демонструє вищу точність 85,50%, F1-score 70,71% та U 92,58%. Обґрунтовано доцільність вибору Gradient oosting для освітніх систем з обмеженими даними та запропоновано гібридні підходи для підвищення ефективності.