文献

J-GLOBAL ID：202202236153521921   整理番号：22A0775177

学生のパフォーマンスを予測する特徴選択としての強化バイナリ遺伝的アルゴリズム【JST・京大機械翻訳】

Enhanced binary genetic algorithm as a feature selection to predict student performance

著者 (4件)： Shreem Salam Salameh (Data Science Department, HLT, Illinois, USA) ,  Turabieh Hamza (Information Technology Department, Collage of Computing and Information Technology, Taif University, Taif, Saudi Arabia) ,  Al Azwari Sana (Information Technology Department, Collage of Computing and Information Technology, Taif University, Taif, Saudi Arabia) ,  Baothman Faiz (Computer Science Department, Collage of Computing and Information Technology, Taif University, Taif, Saudi Arabia)
資料名： Soft Computing  (Soft Computing)
巻： 26  号： 4  ページ： 1811-1823  発行年： 2022年 
JST資料番号： W1043A  ISSN： 1432-7643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 学生のパフォーマンス予測システムは,大学,学校,および訓練センターの教育性能を強化する際に重要な役割を果たす。ビッグデータは,検査センター,仮想コース,登録部門,eラーニングシステムのような異なる資源から来る。教育データから意味のある知識を抽出することは複雑なタスクであり,従ってデータ次元を低減する必要がある。本論文では,ラッパー特徴選択アルゴリズムとして強化二値遺伝的アルゴリズム(EBGA)を提案した。k平均アルゴリズムと電磁様機構(EM)法に基づく新しいハイブリッド選択機構を提案した。K平均は集団をクラスタの集合にクラスタ化する一方,EMは各解に対する全力(TF)と呼ばれる値を決定する。各クラスタは,累積全力(ATF)(すなわち,すべてのTFを一緒に追加)を持つ。選択プロセスは,最高のATFを持つクラスタから最も高いTFを持つ2つの解決策を選択する。提案するEBGAと5つの異なる分類器(即ち,k-Nearest近傍(k-NN),決定木(DT),Naive Bayes(NB),サポートベクトルマシン(SVM),および線形判別分析(LDA))の間のハイブリッド機械学習手法を採用した。UCIマシン学習リポジトリから得た2つの実際の事例研究を,本論文で使用した。得られた結果は,バイナリ遺伝的アルゴリズムの性能を高めるための提案アプローチの能力を示した。さらに,すべての分類器の性能は[数式:原文を参照]と[数式:原文を参照]の間で改善された。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  教育 ,  計算機プログラム ,  学習 ,  クラスタ化 ,  *特徴選択 ,  クラスタ ,  ディシジョンツリー ,  事例研究 ,  機械学習 ,  *遺伝的アルゴリズム ,  リポジトリ ,  サポートベクトルマシン
準シソーラス用語： ラッパー ,  *バイナリー ,  ビッグデータ , 【Automatic Indexing@JST】

著者キーワード (4件)： 遺伝的アルゴリズム ,  特徴選択 ,  学生のパフォーマンス ,  電磁的機構

分類 (2件)： パターン認識  (JE07000S) ,  計算機網  (JC03000K)

タイトルに関連する用語 (7件)： 学生 ,  パフォーマンス ,  予測 ,  特徴選択 ,  強化 ,  バイナリ ,  遺伝的アルゴリズム