Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/25595| Título: | Técnicas de classificação para a predição da evasão universitária |
| Título(s) alternativo(s): | Classification techniques for the prediction of university dropout |
| Autor(es): | Toledo, Isadora Gonçalves |
| Orientador(es): | Santos, Bruno Samways dos |
| Palavras-chave: | Aprendizado do computador Mineração de dados (Computação) Evasão universitária Machine learning Data mining College dropouts |
| Data do documento: | 13-Mai-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | TOLEDO, Isadora Gonçalves. Técnicas de classificação para a predição da evasão universitária. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2021. |
| Resumo: | Este trabalho busca realizar a predição da classificação de alunos quanto a evasão por meio da aplicação de técnicas de Aprendizado de Máquina. Para isso, foi realizado uma fundamentação teórica sobre as possíveis causas da evasão estudantil e a obtenção de um conjunto de dados através do próprio sistema da universidade. Primeiramente, no Experimento 1, utilizou-se a técnica de Árvore de Decisão, kNN e RNA, e em seguida, no Experimento 2, utilizou-se a técnica de kNN e RNA, com atributos reduzidos, selecionados pela Árvore de Decisão no Experimento 1. Foi possível concluir que a técnica mais adequada para realizar a predição da evasão de alunos foi a técnica RNA, com taxa de aprendizagem de 0,1 e com seleção de atributos, que obteve o melhor desempenho em acurácia, com 92,3%, em precisão, com 89,8% e em sensibilidade, com 82,6%. Também foi possível constatar que os principais fatores que podem influenciar na evasão são as questões relacionadas ao desempenho acadêmico dos alunos. |
| Abstract: | This research pursues to predict the classification of students regarding dropout through the application of Machine Learning techniques. For this, a theoretical grounding was made on the possible causes of student dropout and the obtaining of a set of data through the university system itself. First, in Experiment 1, the Decision Tree, kNN, and RNA technique were used, and then, in Experiment 2, the kNN and RNA technique was used, but with reduced attributes instead, selected by the Decision Tree in Experiment 1. It was possible to conclude that the most appropriate technique for predicting student dropout was the RNA technique, with a learning rate of 0.1, with selection of attributes, which obtained the best performance presenting accuracy of 92,3%, precision of 89.8%, and recall of 82,6 %. It was also possible to verify that the main factors that can influence dropout are issues related to students's academic performance. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/25595 |
| Aparece nas coleções: | LD - Engenharia de Produção |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| tecnicasclassificacaoevasaouniversitaria.pdf | 615,78 kB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.