Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior

Detalhes bibliográficos
Autor(a) principal: Santos, Carlos Henrique Domingos Correia
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
Texto Completo: https://app.uff.br/riuff/handle/1/22786
Resumo: Um dos grandes problemas do ensino superior no Brasil é o alto índice de evasão dos estudantes. Neste trabalho, aplicamos técnicas de Mineração de Dados, mais especificamente, técnicas de classificação baseadas em Arvores de Decisão, para tentar prever a evasão. Os modelos preditivos são gerados apenas com base no desempenho dos estudantes nas disciplinas cursadas. São criados n modelos diferentes, dos quais o i-ésimo modelo, 1 ≤ i ≤ n, é capaz de prever, ao fim do i-´esimo semestre de um estudante, se ele ou ela irá evadir ou se formar no futuro. Os experimentos, realizados com uma base de dados fornecida pela própria UFF, mostraram que os modelos são capazes de atingir acurácia preditiva entre 79,31% e 98,25%, utilizando o algoritmo de Árvore de Decisão, e entre 81,18% e 97,06%, utilizando o algoritmo Random Forest.
id UFF-2_c3ea5c54aca299585cb3de543d3aec26
oai_identifier_str oai:app.uff.br:1/22786
network_acronym_str UFF-2
network_name_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository_id_str 2120
spelling Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superiorPredição de evasão escolarMineração de dadosÁrvore de decisãoInteligência artificialMineração de dados (Computação)Árvore de decisãoEnsino superiorCollege dropout predictionData miningDecision treeRandom forestUm dos grandes problemas do ensino superior no Brasil é o alto índice de evasão dos estudantes. Neste trabalho, aplicamos técnicas de Mineração de Dados, mais especificamente, técnicas de classificação baseadas em Arvores de Decisão, para tentar prever a evasão. Os modelos preditivos são gerados apenas com base no desempenho dos estudantes nas disciplinas cursadas. São criados n modelos diferentes, dos quais o i-ésimo modelo, 1 ≤ i ≤ n, é capaz de prever, ao fim do i-´esimo semestre de um estudante, se ele ou ela irá evadir ou se formar no futuro. Os experimentos, realizados com uma base de dados fornecida pela própria UFF, mostraram que os modelos são capazes de atingir acurácia preditiva entre 79,31% e 98,25%, utilizando o algoritmo de Árvore de Decisão, e entre 81,18% e 97,06%, utilizando o algoritmo Random Forest.One of the major problems of higher education in Brazil is the high dropout rate of students. In this work, we apply Data Mining techniques to predict college dropouts, more specifically, classification techniques based on decision trees. The predictive models are generated based only on the performance of the students in the subjects taken. Also, n different models are created, from which the i-th model, 1 ≤ i ≤ n, is capable of predicting, at the end of a student’s i-th semester, whether he or she will drop out or graduate in the future. The experiments, conducted using a database provided by UFF containing data from students, showed that the models could achieve predictive accuracy between 79.31% and 98.25%, using Decision Tree induction, and between 81,18% and 97,06%, using the Random Forest algorithmPlastino, AlexandreTrevisan, Daniela GorskiSeixas, FlávioMartins, Simone de LimaSantos, Carlos Henrique Domingos Correia2021-07-30T12:29:46Z2021-07-30T12:29:46Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfSANTOS, Carlos Henrique Domingos Correia. Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior. 2021. 47 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.https://app.uff.br/riuff/handle/1/22786http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-09-23T21:04:27Zoai:app.uff.br:1/22786Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T10:48:44.479732Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false
dc.title.none.fl_str_mv Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
title Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
spellingShingle Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
Santos, Carlos Henrique Domingos Correia
Predição de evasão escolar
Mineração de dados
Árvore de decisão
Inteligência artificial
Mineração de dados (Computação)
Árvore de decisão
Ensino superior
College dropout prediction
Data mining
Decision tree
Random forest
title_short Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
title_full Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
title_fullStr Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
title_full_unstemmed Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
title_sort Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior
author Santos, Carlos Henrique Domingos Correia
author_facet Santos, Carlos Henrique Domingos Correia
author_role author
dc.contributor.none.fl_str_mv Plastino, Alexandre
Trevisan, Daniela Gorski
Seixas, Flávio
Martins, Simone de Lima
dc.contributor.author.fl_str_mv Santos, Carlos Henrique Domingos Correia
dc.subject.por.fl_str_mv Predição de evasão escolar
Mineração de dados
Árvore de decisão
Inteligência artificial
Mineração de dados (Computação)
Árvore de decisão
Ensino superior
College dropout prediction
Data mining
Decision tree
Random forest
topic Predição de evasão escolar
Mineração de dados
Árvore de decisão
Inteligência artificial
Mineração de dados (Computação)
Árvore de decisão
Ensino superior
College dropout prediction
Data mining
Decision tree
Random forest
description Um dos grandes problemas do ensino superior no Brasil é o alto índice de evasão dos estudantes. Neste trabalho, aplicamos técnicas de Mineração de Dados, mais especificamente, técnicas de classificação baseadas em Arvores de Decisão, para tentar prever a evasão. Os modelos preditivos são gerados apenas com base no desempenho dos estudantes nas disciplinas cursadas. São criados n modelos diferentes, dos quais o i-ésimo modelo, 1 ≤ i ≤ n, é capaz de prever, ao fim do i-´esimo semestre de um estudante, se ele ou ela irá evadir ou se formar no futuro. Os experimentos, realizados com uma base de dados fornecida pela própria UFF, mostraram que os modelos são capazes de atingir acurácia preditiva entre 79,31% e 98,25%, utilizando o algoritmo de Árvore de Decisão, e entre 81,18% e 97,06%, utilizando o algoritmo Random Forest.
publishDate 2021
dc.date.none.fl_str_mv 2021-07-30T12:29:46Z
2021-07-30T12:29:46Z
2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SANTOS, Carlos Henrique Domingos Correia. Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior. 2021. 47 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.
https://app.uff.br/riuff/handle/1/22786
identifier_str_mv SANTOS, Carlos Henrique Domingos Correia. Modelos preditivos baseados em árvores de decisão para um sistema de previsão de evasão no ensino superior. 2021. 47 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Instituto de Computação, Universidade Federal Fluminense, Niterói, 2021.
url https://app.uff.br/riuff/handle/1/22786
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/br/
CC-BY-SA
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)
instname:Universidade Federal Fluminense (UFF)
instacron:UFF
instname_str Universidade Federal Fluminense (UFF)
instacron_str UFF
institution UFF
reponame_str Repositório Institucional da Universidade Federal Fluminense (RIUFF)
collection Repositório Institucional da Universidade Federal Fluminense (RIUFF)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)
repository.mail.fl_str_mv riuff@id.uff.br
_version_ 1811823576060264448

Registros relacionados