Прогнозна аналітика передбачає застосування методів статистики та алгоритмів машинного навчання з метою передбачення майбутніх результатів і показників ефективності. До її інструментарію належать, зокрема, інтелектуальний аналіз даних і моделі прогнозування, які надають можливість оцінити ймовірність майбутніх подій і сприяють прийняттю обґрунтованих рішень.
У статті розглянуто проблему прогнозування академічної успішності студентів із застосуванням алгоритмів машинного навчання. Аналіз та апробація відповідних методів стали важливим етапом у напрямі вдосконалення освітньої аналітики та підвищення якості навчального процесу. З'ясовано основні етапи, які проходять дані під час створення, навчання та впровадження моделі прогнозування, зокрема збір даних, попередня обробка даних, вибір моделі машинного навчання, навчання моделі, оптимізація параметрів, застосування попередньо навченої моделі до нових даних. В межах дослідження було розглянуто і протестовано декілька моделей машинного навчання з метою визначення їх ефективності у задачах передбачення результатів навчання.
Було здійснено оцінку основних метрик продуктивності моделей, що дало змогу провести якісний аналіз їхньої точності. Результати матриці помилок свідчать про задовільну роботу моделей після здійснення оптимізації їхніх гіперпараметрів. Здебільшого моделі продемонстрували високий рівень точності класифікації. Окрім цього, було продемонстровано практичне використання побудованих моделей для аналізу нових даних.
Загалом реалізовано ефективне рішення задачі прогнозного моделювання з використанням алгоритмів RandomForest та XGBoost, яке може бути адаптоване для подальшого вдосконалення та реального впровадження у практику. З освітнього погляду, застосування таких моделей дозволяє завчасно ідентифікувати студентів із потенційно низькою успішністю.
Predictive analytics involves the use of statistical methods and machine learning algorithms to predict future outcomes and performance indicators. Its tools include, in particular, data mining and forecasting models, which provide an opportunity to assess the probability of future events and contribute to making informed decisions.
The article considers the problem of predicting students' academic performance using machine learning algorithms. Analysis and testing of relevant methods have become an important stage in improving educational analytics and improving the quality of the educational process. The main stages that data go through during the creation, training and implementation of a forecasting model are clarified, in particular, data collection, data preprocessing, selection of a machine learning model, model training, parameter optimization, application of a pre-trained model to new data. As part of the study, several machine learning models were considered and tested in order to determine their effectiveness in predicting learning outcomes.
The main performance metrics of the models were assessed, which made it possible to conduct a qualitative analysis of their accuracy. The results of the error matrix indicate satisfactory performance of the models after optimization of their hyperparameters. For the most part, the models demonstrated a high level of classification accuracy. In addition, the practical use of the constructed models for analyzing new data was demonstrated.
In general, an effective solution to the problem of predictive modeling using the RandomForest and XGBoost algorithms was implemented, which can be adapted for further improvement and real implementation in practice. From an educational point of view, the use of such models allows for early identification of students with potentially low performance.
