Um algoritmo genético com função de aptidão flexível para seleção de atributos em dados educacionais

• Danielle F. de Albuquerque Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Diego N. Brandão Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Rafaelli Coutinho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) http://orcid.org/0000-0002-1735-1718

DOI: https://doi.org/10.5753/sbbd.2021.17898

Resumo

Devido ao volume crescente e à disponibilidade cada vez maior de dados educacionais, as técnicas de mineração de dados têm sido frequentemente aplicadas para auxiliar na compreensão do desempenho escolar do aluno. No entanto, muitos desses dados podem ser esparsos, redundantes, irrelevantes e com ruído, o que pode prejudicar a qualidade e o desempenho computacional dos modelos preditivos. Uma maneira de minimizar esses problemas consiste em selecionar atributos no processo de modelagem por meio de técnicas de Seleção de Atributos (SA). Este artigo propõe uma abordagem de SA com algoritmo genético adaptada ao contexto educacional. Os resultados indicam que a proposta melhora o desempenho da classificação e permite que especialistas em educação tenham uma maior flexibilidade no processo de seleção dos atributos de acordo com suas necessidades e realidades.

Palavras-chave: Seleção de Atributos, Mineração de Dados Educacionais, Algoritmo Genético

Referências

M. R. Ahmed et al. A comprehensive analysis on undergraduate student academic performance using feature selection techniques on classification algorithms. In ICCCNT 2020, pages 1–6, 2020.

G. Chandrashekar and F. Sahin. A survey on feature selection methods. Computers & Electrical Engineering, 40(1):16–28, 2014.

G. Chandrashekar and F. Sahin. A survey on feature selection methods. Computers & Electrical Engineering, 40(1):16–28, 2014.

S. Davies and S. J. Russell. NP-completeness of searches for smallest possible feature sets. In AAAI Symposium on Intelligent Relevance, pages 37–39. AAAI Press, 1994.

J. D. Febro. Utilizing feature selection in identifying predicting factors of student retention. International Journal of Advanced Computer Science and Applications, 10(9), 2019.

N. Gitinabard et al. Your actions or your associates? predicting certification and dropout in moocs with behavioral and social features. In EDM, 2018.

Khoshgoftaar T. M. Hancock, J.T. Survey on categorical data for neural networks. Journal of Big Data, 28(7), 2020.

C. Jalota and R. Agrawal. Feature selection algorithms and student academic performance: A study. Advances in Intelligent Systems and Computing, 1165:317–328, 2021.

C. Romero and S. Ventura. Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2010.

G. A.S. Santos et al. EvolveDTree: Analyzing Student Dropout in Universities. In ICSSIP, pages 173–178, 2020.

S. Singh and S. Selvakumar. A hybrid feature subset selection by combining filters and genetic algorithm. In ICCCA, pages 283–289, 2015.

F. Tan, X. Fu, Y. Zhang, and A. G. Bourgeois. A genetic algorithm-based method for feature subset selection. Soft Computing, 12(2):111–120, 2008. ISSN 14327643.

M. Zaffar, M. A. Hashmani, and K. S. Savita. Performance analysis of feature selection algorithm for educational data mining. In ICBDA 2017, pages 7–12, 2018.