Предсказание успешности прохождения образовательных онлайн-курсов с помощью классификатора Random Forest
DOI:
https://doi.org/10.5281/zenodo.10974569Ключевые слова:
бинарный классификатор, случайный лес, ROC AUC, тонкая калибровкаЛицензия
Аннотация
Проведено исследование по тонкой калибровке классификатора Random Forest, предсказывающего успешность прохождения пользователем образовательных онлайн-курсов по данным о действиях пользователя на курсе и его отправках решений практических задач. Рассматривались классификаторы большого и среднего размера. Полученные результаты показывают нецелесообразность десятикратного увеличения количества решающих деревьев в виду незначительного прироста в точности и значительного падения в производительности, преимущество использование классификатора средних размеров (менее 100 решающих деревьев).
Скачивания
Библиографические ссылки
1. Елисеев, В. О. Тонкая калибровка классификатора random forest в задачах предсказания успешности прохождения образовательных онлайн-курсов / В. О. Елисеев, В. И. Бондаренко // Донецкие чтения 2023: образование, наука, инновации, культура и вызовы современности: Материалы VI Международной научной конференции (Донецк, 26-27 октября 2023 г.) / под общей редакцией проф. С.В. Беспаловой. – Том 2: Физические и технические науки. – Донецк: ДонГУ, 2023. – С. 238-240.
2. Практическая статистика для специалистов Data Science: пер. с англ. / П. Брюс, Э. Брюс. – СПб.: БХВ-Петербург, 2018. – 304 с.
3. Liu, S. On Estimating ROC Arc Length and Lower Bounding Maximal AUC for Imbalanced Classification / S. Liu // Neural Information Processing Systems. – 2021. – 14 p. – DOI 10.48550/arXiv.2110.09651.
4. How to Use Logistic Regression predict_proba Method in scikit-learn [Электронный ресурс] / SaturnCloud : [Сайт]. – https://saturncloud.io/blog/how-to-use-logistic-regression-predictproba-method-in-scikitlearn/ (дата обращения 19.10.2023).
5. Tuning the hyper-parameters of an estimator [Электронный ресурс] / Scikit-learn : [Сайт]. – https://scikit-learn.org/stable/modules/grid_search.html (дата обращения 19.10.2023).
6. CalibratedClassifierCV [Электронный ресурс] / Scikit-learn : [Сайт]. – https://scikit-learn.org/stable/modules/generated/sklearn.calibration.CalibratedClassifierCV.html (дата обращения 19.10.2023).
7. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – № 12. – P. 2825-2830. – DOI 10.48550/arXiv.1201.0490.
8. Berrar, D. Cross-validation / D. Berrar // Encyclopedia of Bioinformatics and Computational Biology. – 2019. – 4 p. – DOI 10.1016/B978-0-12-809633-8.20349-X.
9. Bates, S. Cross-validation: what does it estimate and how well does it do it? / S. Bates, T. Hastie, R. Tibshirani // Journal of the American Statistical Association. – 2021. – 38 p. – DOI 10.1080/01621459.2023.2197686.
REFERENCES LIST
1. Елисеев, В. О. Тонкая калибровка классификатора random forest в задачах предсказания успешности прохождения образовательных онлайн-курсов / В. О. Елисеев, В. И. Бондаренко // Донецкие чтения 2023: образование, наука, инновации, культура и вызовы современности: Материалы VI Международной научной конференции (Донецк, 26-27 октября 2023 г.) / под общей редакцией проф. С.В. Беспаловой. – Том 2: Физические и технические науки. – Донецк: ДонГУ, 2023. – С. 238-240.
2. Практическая статистика для специалистов Data Science: пер. с англ. / П. Брюс, Э. Брюс. – СПб.: БХВ-Петербург, 2018. – 304 с.
3. Liu, S. On Estimating ROC Arc Length and Lower Bounding Maximal AUC for Imbalanced Classification / S. Liu // Neural Information Processing Systems. – 2021. – 14 p. – DOI 10.48550/arXiv.2110.09651.
4. How to Use Logistic Regression predict_proba Method in scikit-learn [Электронный ресурс] / SaturnCloud : [Сайт]. – https://saturncloud.io/blog/how-to-use-logistic-regression-predictproba-method-in-scikitlearn/ (дата обращения 19.10.2023).
5. Tuning the hyper-parameters of an estimator [Электронный ресурс] / Scikit-learn : [Сайт]. – https://scikit-learn.org/stable/modules/grid_search.html (дата обращения 19.10.2023).
6. CalibratedClassifierCV [Электронный ресурс] / Scikit-learn : [Сайт]. – https://scikit-learn.org/stable/modules/generated/sklearn.calibration.CalibratedClassifierCV.html (дата обращения 19.10.2023).
7. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – № 12. – P. 2825-2830. – DOI 10.48550/arXiv.1201.0490.
8. Berrar, D. Cross-validation / D. Berrar // Encyclopedia of Bioinformatics and Computational Biology. – 2019. – 4 p. – DOI 10.1016/B978-0-12-809633-8.20349-X.
9. Bates, S. Cross-validation: what does it estimate and how well does it do it? / S. Bates, T. Hastie, R. Tibshirani // Journal of the American Statistical Association. – 2021. – 38 p. – DOI 10.1080/01621459.2023.2197686.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
