第十六組
資料集
Weka方法驗證
結論與建議
緒論
資料前處理
解決問題
Weka分析法：決策樹
探討目標
Weka分析法：類神經網路分析
人口老齡化的趨勢使得大學院校面臨存亡問題
大學院校普及
少子化影響
學習成效與休退學相關性與預測學生是否為潛在休退學因
驗證資料
建模資料
歸納資料
節點
分支
葉子
三科以上不及格
操行成績
資料欄位說明
資料來源
資料處理與轉換
資料欄位精簡
步驟
修正
轉換
刪除
合併
選擇
切割
統計
補充
所需資料
學生姓名
學號
身分證字號
父母姓名
生日
學院
管理學院
理工學院
客家學院
人社學院
電資學院
設計學院
學年學業成績
缺曠註記
是否有三科以上不及格或1/2
click to edit
click to edit
是否弱勢學生
「0」非弱勢生
「1」弱勢生
決策樹分析過程與結果
類神經網路分析過程與結果
葉
最佳的Epoch參數為1000
learning Rate最佳値為0.01
分支
節點
str_conscore (操行成績)
in(在學)
crd(三科以上不及格)
no(休退學)
研究限制或困難
後續研究方向
研究結果與貢獻
交互印證下此模型的分類方式是可以準確預知學生未來動向研究
發現學生學習成效中是否被預警之學生與休退學有高度相關性
神經網路預測或決策樹預測其準確度皆相同
供校方之教務處提供校方高風險學生名單
若加入學生性別、院所、年級後深入討並加以分析，對預測休退學準確度會有不同的變化
僅以一所學校的 106 學年第一學期的在學及非在學學生做為建模預測之資料
增加分析項目
院所
年級
學生性別
加入一學年以上資料分析建模