Avaliando o Algoritmo de Random Forest na Mineração de Dados Educacionais: Otimizando a previsão de formatura pontual usando Métodos de Desequilíbrio

O estudo tem como objetivo avaliar o desempenho dos algoritmos de Random Forest na mineração de dados educacionais otimizando as previsões de formatura pontual (GOT) utilizando métodos de dados desequilibrados. Os métodos utilizados para lidar com dados desequilibrados incluem subamostragem aleatória (RUS), sobreamostragem aleatória (ROS), híbridos de RUS e ROS, técnicas de sobreamostragem de minoria sintética para classes nominais (SMOTE-NC) e híbridos de SMOTE-NC e RUS. Após a aplicação desses métodos, os estudos analisam seu desempenho em dados de treinamento e teste. Os resultados da pesquisa mostram que, nos dados de treinamento, o híbrido RUS-ROS apresentou o melhor desempenho em comparação com outros métodos, enquanto as técnicas híbridas de SMOTE-NC e RUS mostraram o melhor desempenho em dados de teste com base nos valores de AUC. A pesquisa mostrou que o uso de um método de dados desequilibrados melhorou significativamente a capacidade dos algoritmos de Random Forest de prever a formatura pontual (GOT) no contexto dos dados educacionais. Discutimos as implicações para aplicações de mineração de dados educacionais e fornecemos sugestões para futuras pesquisas.