بررسی تاثیرانتخاب ویژگی جهت افزایش دقت پیش‌بینی کارایی یادگیرندگان در یک محیط آموزشی آنلاین

امروزه در عصر داده‌های کلان هستیم و داده‌ها با ابعاد بالا در سیستم آموزش در حال رشد هستند و این رشد سریع چالش‌هایی را در مدیریت کارآمد و موثر داده‌ها ایجاد کرده است.مدیریت درست داده‌ها باعث می‌شود بتوانیم با روش‌هایی چون داده‌کاوی و یادگیری ماشین دانش لازم را از داده‌های کلان با سرعت و دقت بیشتری به دست بیاوریم.یکی از روش‌های افزایش دقت پیش‌بینی در الگوریتم‌های یادگیری ماشین، مهندسی ویژگی است. مهندسی ویژگی یکی از مهم‌ترین مراحل افزایش کارایی پیش‌بینی مدل است و یک مجموعه داده باکیفیت را تولید می‌کند. مطالعات زیادی نشان داده است که انجام مهندسی ویژگی قبل از طبقه‌بندی داده، به‌منظور به دست آوردن نتایج بهینه لازم و ضروری است. روش‌های انتخاب ویژگی به‌عنوان بخشی از مهندسی ویژگی، کارایی فرآیند یادگیری را افزایش می‌دهند.هدف از یک روش انتخاب ویژگی،شناسایی ویژگی‌ها مرتبط و حذف ویژگی‌ها غیر مرتبط به‌منظور به دست آوردن یک زیرمجموعه مناسب از ویژگی‌هاست به‌طوری‌که هم دقت پیش‌بینی کارایی را افزایش دهد هم این مجموعه منتخب قادر باشد تا مجموعه داده اصلی را به‌خوبی تشریح کند.در این پژوهش با استفاده از روش‌ها انتخاب ویژگی،‌ تاثیر ویژگی‌ها در نتایج پیش‌بینی کارایی یادگیرندگان بررسی‌شده است.

investigating the effect of feature selection to increase the accuracy of predicting learners' performance in an online educational environment

today, we are in the era of big data, and high-dimensional data is growing in the education system, and this rapid growth has created challenges in efficient and effective data management. proper data management allows us to obtain the necessary knowledge from big data more quickly and accurately with methods such as data mining and machine learning. one of the ways to increase prediction accuracy in machine learning algorithms is feature engineering. feature engineering is one of the most important steps to increase the model s predictive performance and produce a quality dataset. many studies have shown that performing feature engineering before data classification is necessary and necessary in order to obtain optimal results. feature selection methods as part of feature engineering increase the efficiency of the learning process. the goal of a feature selection method is to identify relevant features and remove irrelevant features in order to obtain a suitable subset of features. so as to increase the accuracy of performance prediction and this selected set is able to describe the original data set well. in this research, using feature selection methods, the effect of features on the results of predicting the performance of learners has been investigated.