Makine öğrenme yöntemleriyle öğrencilerin akademik performanslarının farklı öznitelik seçim teknikleri uygulanarak sınıflandırılması
Classification of students' academic performance by different feature selection techniques by machine learning methods
- Tez No: 824269
- Danışmanlar: DOÇ. DR. SERKAN SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 148
Özet
Öğrenci ve eğitimci açısından akademik başarının artırılması her zaman istenilen durumdur. Akademik başarıyı etkileyen etmenlerin önceden bilinmesi çok önemlidir. Çalışmada, farklı öznitelik seçim teknikleri ve makine öğrenmesi algoritmaları kullanarak ortaokul öğrencilerinin akademik performanslarını sınıflandırmak amaçlanmıştır. Kullanılan veri seti, MEB'e bağlı bir ortaokuldaki 728 öğrenciden elde edilmiştir ve 24 öznitelik içermektedir. Elde edilen veri seti üzerinde ön işleme ve öznitelik seçim teknikleri uygulanmıştır. Veri ön işleme aşamasında, veri seti içerisinde yer alan kategorik değerler sayısal değerlere dönüştürülmüştür. Kullanılan veri setinin dengesiz sınıf dağılımı olduğu için SMOTE algoritması kullanılarak dengeli hale getirilmiştir. Temel veri seti ve 7 farklı öznitelik seçim tekniği kullanılarak toplam 8 veri seti elde edilmiştir. Bu veri setleri Hold out ve 5 kat çapraz doğrulama yöntemleri ile bölünmüştür. Öğrencilerin sene sonundaki başarıları 3-seviyeli sınıflandırma tekniği ile 9 farklı algoritma kullanılarak sınıflandırılmıştır. Çalışmada kullanılan sınıflandırma algoritmaları için en uygun parametre setleri deneme yanılma yöntemi ile belirlenmiştir. Öznitelik seçim yöntemleri kullanmadan, veri setindeki 23 öznitelikle kurulan Gradyan Artırma algoritmasıyla doğruluk değeri %95.17'ye ulaşılmıştır. Gömülü yöntemler ile öznitelik seçim yöntemleri kullanarak 11 özniteliğe indirgenen veri seti ile kurulun Gradyan Artırma algoritmasında doğruluk değeri %93.31'e düşmüş fakat Rastgele Orman algoritmasında doğruluk değeri %95.54'e çıkmıştır. Sonuç olarak, Rastgele Orman algoritması gömülü yöntemler öznitelik seçim teknikleri ile birlikte kullanıldığında, öğrenci performansını tahmin etmek için en etkili algoritma olduğu görülmüştür.
Özet (Çeviri)
Increasing academic success is always desired for students and educators. It is very important to know beforehand the factors affecting academic success. In the study, it is aimed to classify the academic performance of secondary school students by using different feature selection techniques and machine learning algorithms. The dataset used was obtained from 728 students in a secondary school affiliated to the Ministry of National Education and includes 24 features. Preprocessing and feature selection techniques were applied on the obtained data set. In the data preprocessing stage, the categorical values in the data set were converted into numerical values. Since the data set used has an unbalanced class distribution, it has been balanced using the SMOTE algorithm. A total of 8 data sets were obtained by using the basic data set and 7 different feature selection techniques. These datasets are split by Hold out and 5-fold cross-validation methods. Students' achievements at the end of the year were classified using 3-level classification technique and 9 different algorithms. The most suitable parameter sets for the classification algorithms used in the study were determined by trial and error method. Without using feature selection methods, the accuracy value was reached to 95.17% with the Gradient Increasing algorithm established with 23 features in the data set. With the data set reduced to 11 features by using embedded methods and feature selection methods, the accuracy value in the Gradient Increase algorithm of the establishment decreased to 93.31%, but the accuracy value increased to 95.54% in the Random Forest algorithm. As a result, the Random Forest algorithm was found to be the most effective algorithm for predicting student performance when used with embedded methods feature selection techniques.
Benzer Tezler
- Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini
Early prediction of student academic performance using deep learning algorithms
AHMET KALA
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
DR. ÖĞR. ÜYESİ TUĞBA YILDIZ
- Dijital eğitimde süreç madenciliği ve makine öğrenmesi: LMS verileri ile öğrenci davranış modelleri ve akademik performans tahmini
Process mining and machine learning in digital education: Modeling student behavior and predicting academic performance using LMS data
FETTAH KURTULUŞ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. MURAT TAHA BİLİŞİK
- Big data and machine learning for behavioral analytics and inference: Cases in sports and education
Davranış analitiği ve nedensel çıkarımlarda büyük veri ve makineöğrenimi: Spor ve eğitimden vakalar
EMRAH YILMAZ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. ÖZDEN GÜR ALİ
- Strategic leadership in educational institutions in Uganda: A Comparative analysis of effective management models in Uganda
Uganda'daki eğitim kurumlarında stratejik liderlik: Uganda'daki etkili yönetim modellerinin karşılaştırmalı bir analizi
YUSUF MUGOYA
Yüksek Lisans
İngilizce
2024
Eğitim ve Öğretimİstanbul Medeniyet ÜniversitesiEğitim Kurumları İşletmeciliği Ana Bilim Dalı
PROF. DR. İBRAHİM HAKAN KARATAŞ
- Mühendislik tasarım temelli fen eğitiminin 7. sınıflarda uygulanmasına yönelik bir karma yöntem araştırması
A mixed method research on the implementation of engineering design-based science education in 7th grades
GÖKHAN TAŞKIN
Doktora
Türkçe
2023
Eğitim ve Öğretimİnönü ÜniversitesiMatematik ve Fen Bilimleri Ana Bilim Dalı
PROF. DR. GÖKHAN AKSOY