Please enable JavaScript.
Coggle requires JavaScript to display documents.
第十六組 - Coggle Diagram
第十六組
緒論
解決問題
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
Weka分析法:類神經網路分析
驗證資料
建模資料
Weka分析法:決策樹
歸納資料
節點
三科以上不及格
操行成績
分支
葉子
探討目標
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
結論與建議
研究限制或困難
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
後續研究方向
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
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
資料前處理
資料處理與轉換
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
是否弱勢學生
「0」非弱勢生
「1」弱勢生
資料欄位精簡
所需資料
學生姓名
學號
身分證字號
父母姓名
生日
步驟
修正
轉換
刪除
合併
選擇
切割
統計
補充
資料集
資料欄位說明
資料來源
Weka方法驗證
決策樹分析過程與結果
葉
in(在學)
no(休退學)
分支
crd(三科以上不及格)
節點
str_conscore (操行成績)
類神經網路分析過程與結果
最佳的Epoch參數為1000
learning Rate最佳値為0.01