MODELO BASADO EN MACHINE LEARNING PARA EL NEURORRENDIMIENTO ACADÉMICO DE ESTUDIANTES UNIVERSITARIOS
Resumen
Objetivo. Establecer el sobresaliente modelo predictivo para las métricas de Machine Learning, entre neurorrendimiento académico, neuroaprendizaje, características de los estudiantes y la longitud de onda en la Universidad José Carlos Mariátegui Filial Tacna, 2018-I. Materiales y métodos. Se utilizó el diseño no experimental y la correspondencia del coeficiente de determinación R
, en un enfoque cuantitativo. La población estuvo compuesta por 650 estudiantes, con una muestra de 194 estudiantes, el nivel de confianza fue de 95%, el intervalo de error es de 5%. Los instrumentos empleados fueron la media de evaluación por estudiante, la nómina de características individuales y encuestas acerca de la longitud de onda. Resultados. La regresión de decisión forestal con 0,985251 fue el mejor modelo predictivo; además, se obtuvo un buen índice Kappa, determinado por medio del software Azure Machine Learning Studio. Conclusiones. Para cada escuela se determinó el mejor modelo predictivo, a medida que el entrenamiento se realice con mayor población,
aumentara el índice Kappa.
Palabras clave
Texto completo:
PDFDOI: http://dx.doi.org/10.37260/rctd.v5i9.137
DOI (PDF): http://dx.doi.org/10.37260/rctd.v5i9.137.g121
Enlaces refback
- No hay ningún enlace refback.
Copyright (c) 2020 REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.
Calle Ayacucho 393, Moquegua 18001-Perú / Teléfono 053-461535
Copyright 2017 Universidad José Carlos Mariátegui. Moquegua, Perú. Todos los derechos reservados
ISSN electrónica 2413-7057 - ISSN impresa 2411-8044
El contenido de este sitio es para todos los interesados