پایان نامه با واژگان کلیدی قانون کار

دانلود پایان نامه ارشد

صفر بوده است. به اين معني که اين الگوريتم در پيشبيني دانشجويان موفق و ناموفق کاملاً ناموفق عمل کرده است.
* شاخص دقت براي کلاس الف (A) در الگوريتم SMO در مدل مشخصههاي ورودي صفر بوده است. به اين معني که اين الگوريتم در پيشبيني دانشجويان موفق کاملاً ناتوان است

4-14 هدف دهم:آزمون مدل هوش مصنوعي
براي آزمون مدلهاي پيشبيني توسعه داده شده، با استفاده از قواعد پيشبيني رگرسيوني، نرمافزار پيشبين طراحي شد. پس از حذف موارد ناقص داده‌هاي 346 مورد قابل تحليل بودند. از مجموع 346 مورد تعداد 173 مورد به دليل تکراري بودن از مجموعه داده حذف شد. علت حذف موارد مذکور به اين دليل بود که اين افراد و مشخصههاي آن‌ها در مجموعه داده‌ها آموزش وجود دارد و وجود آن‌ها در مرحله تست باعث افزايش عملکرد الگوريتمها ميشد. بنابراين مجموعه داده‌هاي تست يا آزمون به 173 مورد رسيد.
آمادهسازي داده‌ها و تعريف مشخصهها دقيقاً شبيه مرحله آموزش بود، لذا از ذکر مجدد آن‌ها خودداري ميشود. در ادامه گزارش مرحله تست مدلهاي پيشبين گزارش ميشود.
4-14-1 آزمون مدل هاي پيش بيني ميزان موفقيت (رگرسيون)
براي آزمون (تست) عملکرد مدلهاي مختلف رگرسيوني بر اساس مدل ساخته شده در مرحله آموزش، معدل کل يادگيرنده الکترونيکي در مجموعه داده تست، پيشبيني شد. بر اساس شاخص متوسط قدر مطلق خطاي پيشبيني کارآيي الگوريتمها استخراج شد. نتايج مربوط به متوسط قدر مطلق خطا در مرحله آزمون مدلها در جدول ‏4-68 گزارش شده است:
جدول ‏4-68: کارآيي الگوريتم هاي پيش بيني رگرسيوني با داده هاي تست

M5′
REPTree
M5Rules
IBk
MLP(3,3)
RBFNetwork
SMOreg
1. مشخصههاي ورودي
1.34
1.40
1.34
1.76
1.51
1.45
1.36
2. مشخصههاي پرسشنامهاي
1.66
1.79
1.66
2.46
1.56
1.64
1.63
3. تمام مشخصهها بدون معدل ترم اول
1.27
1.36
1.27
1.88
1.50
1.40
1.30
4. تمام مشخصهها
0.64
0.83
0.64
1.67
1.08
1.35
0.66

مقايسه عملکرد الگوريتمها در مرحله تست نشان ميدهد، الگوريتمهاي M5′ از خانواده مدلهاي درخت تصميم و M5Rules از خانواده استنتاج قانون با متوسط قدر مطلق خطا، 0.64 بيشترين کارآيي را داشتهاند. اين الگوريتمها در مرحله آموزش نيز بهترين عملکرد را داشتهاند. متوسط قدر مطلق خطاي اين الگوريتمها در مرحله آموزش 0.88 بوده است. به عبارتي نه تنها اين الگوريتمها در مرحله آموزش عملکرد بالاتري داشتهاند، بلکه در مرحله تست عملکردشان بهبود يافته است. نتايج مقايسهاي الگوريتمها در دو مرحله آموزش و تست را ميتوان در نمودار ‏4-3 مشاهده کرد.

نمودار ‏4-3 : کارآيي مدل هاي رگرسيوني در مرحله آموزش و تست با تمام مشخصه ها
مقايسه الگوريتمها در مرحله تست و آموزش نشان ميدهد، دو الگوريتم RBFNetwork و K نزديک‌ترين همسايه (IBk) ضعيفترينِ الگوريتمها هستند. البته شايان توجه است که SMOreg و REPTree نيز عملکرد قابل قبولي داشتهاند.
در مدلي که تمام مشخصهها بدون معدل ترم اول وارد شده است، در مرحله آموزش الگوريتم مربوط به ماشين بردار پشتيبان (SMOreg) با متوسط قدر مطلق خطاي 1.19 بيشترين قدرت پيشبيني را داشت. اما در مرحله تست، عملکرد اين آزمون کاهش يافته و به 1.30 رسيده است. در مجموع بجز دو الگوريتم مربوط به هوش مصنوعي و الگوريتم نزديک‌ترين همسايه که ضعيفترين آن‌ها بودهاند؛ بقيه الگوريتمها عملکرد قابل قبولي داشتهاند. مقايسه عملکرد الگوريتمهاي مختلف در نمودار ‏4-4 قابل مشاهده است.

نمودار ‏4-4: کارآيي مدل هاي رگرسيوني در مرحله آموزش و تست با تمام مشخصه ها بدون معدل ترم اول
کارآيي الگوريتمهاي بکار گرفته شده با متغيرهاي پرسشنامهاي، در نمودار ‏4-5 قابل مشاهده است:

نمودار ‏4-5: کارآيي مدل هاي رگرسيوني در مرحله آموزش و تست با مشخصه هاي پرسشنامه اي
در مرحله آموزش مشخص شد، الگوريتمهاي M5′ از خانواده مدلهاي درخت تصميم و M5Rules از خانواده استنتاج قانون با متوسط قدر مطلق خطا 1.80 بيشترين کارآيي را دارند. در مرحله تست، نيز خطاي اين الگوريتمها کمتر شده و به 1.66 رسيده است. خطاي الگوريتم شبکه پرسپترون چند لايه نيز در مرحله تست به 1.56 کاهش يافته است.
کارآيي الگوريتمهاي هوشمند بکار رفته در اين پژوهش با مشخصههاي ورودي در نمودار ‏4-6 قابل مشاهده است.

نمودار ‏4-6: کارآيي مدل هاي رگرسيوني در مرحله آموزش و تست با مشخصه هاي ورودي
در مرحله آموزش مشخص شد، در ميان مدلهايي که با متغيرهاي ورودي پيشبيني ميکنند، الگوريتم مربوط به ماشين بردار پشتيبان (SMOreg) با متوسط قدر مطلق خطاي 1.23 بيشترين قدرت پيشبيني را دارد. در مرحله تست عملکرد اين مدل اندکي کاهش يافته است اما کارآيي اين الگوريتم و الگوريتمهاي درخت تصميم و استنتاج قانون کارآيي نسبتاً مطلوبي داشته است. در مقام مقايسه الگوريتمهاي نزديک‌ترين همسايه و شبکه عصبي عملکرد مطلوبي نداشتهاند.
بر اساس ميانگين خطاي مطلق و مقايسه آن در مدلهاي مختلف ميتوان نتيجه گرفت براي پيشبيني ميزان موفقيت تحصيلي يادگيرنده الکترونيکي نشان ميدهد الگوريتم M5′ و M5Rules از مدلهاي درخت تصميمگيري دقيقترين و پاياترينِ مدلها هستند.

4-14-2 آزمون مدل هاي پيش بيني موفقيت (طبقه بندي)
براي آزمون مدلهاي طبقهبندي پژوهش حاضر، همانند مرحله آموزش، عملکرد تحصيلي يادگيرنده الکترونيکي آماده و عملکرد الگوريتمها بر اساس صحت طبقهبندي بر روي داده‌هاي تست مقايسه شد. نتايج شاخص صحّت طبقهبندي و دقّت پيشبيني طبقه F در جدول ‏4-69 گزارش شده است.

جدول ‏4-69: کارآيي الگوريتم هاي پيش بيني طبقه بندي با داده هاي تست

مشخصههاي ورودي
مشخصههاي پرسشنامهاي
تمام مشخصهها بدون معدل ترم اول
تمام مشخصهها

صحّت
دقّت
صحّت
دقّت
صحّت
دقّت
صحّت
دقّت
SimpleCart
60.69
0.25
61.84
0.30
60.69
0.25
71.68
0.58
J48(C4.5)
58.38
0.23
47.98
0.23
50.86
0.16
68.79
0.68
REPTree
65.89
0.4
64.16
0.37
63.58
0.25
71.10
0.67
JRip
64.74
0.3
62.42
0.18
49.71
0.26
73.99
0.74
DecisionTable
63.00
0.37
67.05
0
60.69
0.23
68.20
0.67
IBk
52.60
0.14
46.24
0.2
47.40
0.21
51.44
0.31
MLP(5,5)
55.49
0.17
61.27
0.27
49.13
0.15
68.21
0.53
RBFNetwork
59.54
0.26
63.58
0.33
63.00
0.40
75.72
0.70
SMO
65.89
0.37
67.05
0
64.7
0.37
78.61
0.81
BayesNet
42.20
0.17
57.80
0.30
49.71
0.29
63.00
0.47
NaiveBayes
46.82
0.27
59.53
0.41
51.44
0.4
66.47
0.65
SimpleLogistic
64.74
0.3
64.74
0.46
64.16
0.31
80.92
0.77

نتايج صحت طبقهبندي جدول ‏4-67 براي مدل نهايي که در آن تمام مشخصههاي پيشبين وارد مدل شده است، نشان داد: DecisionTable با قدرت طبقهبندي 71.69 و دقّت پيشبيني 0.71 بهترين مدل پيشبين با تمام مشخصهها بود. عملکرد اين الگوريتم در مرحله تست داده‌ها کاهش يافته است. نتايج مقايسهاي کارآيي الگوريتمها در مرحله آموزش و تست در نمودار ‏4-7 قابل مشاهده است. علاوه بر الگوريتمDecisionTable الگوريتم نزديک‌ترين همسايه در مرحله آموزش، ضعيفترينِ مدل بوده است. در مرحله آزمون نيز توان طبقهبندي آن کاهش يافته است.

نمودار ‏4-7: کارآيي مدل هاي طبقه بندي در مرحله آموزش و تست با تمام مشخصه ها
نتايج مقايسهاي نمودار ‏4-7 نشان ميدهد، دو الگوريتم SMO و NaiveBayes در مرحله تست افزايش يافته است. الگوريتم SMO از مجموعه روش‌هايي يادگيري ماشيني، بهترين الگوريتم پيشبين بوده است. عملکرد رگرسيون ساده به عنوان يک روش آماري در داده‌هاي تست، بهترين عملکرد را داشته است. کارآيي الگوريتم استنتاج قانونJRip نيز کارآيي مطلوبي داشته است.
کارآيي الگوريتمهاي پيشبين با تمام مشخصهها بدون معدل ترم اول در نمودار ‏4-8 قابل مشاهده است:

نمودار ‏4-8 :کارآيي مدل هاي طبقه بندي در مرحله آموزش و تست با تمام مشخصه ها بدون معدل ترم اول

شاخص دقّت براي الگوريتم SimpleCart براي کلاس الف (A) در مدل تمام مشخصهها بدون معدل ترم اول در مرحله آموزش صفر بود و اين وضعيت در مرحله تست نيز ادامه داشت، لذا اين الگوريتم و الگوريتمهاي REPTree و SMO به دليل عدم توانايي در پيشبيني وضعيت دانشجويان موفق، کارآيي مطلوبي ندارند. با توجه به حذف موارد فوق، در مجموع بر اساس اين نتايج ميتوان دريافت که الگوريتم هوش مصنوعي RBF بهترين الگوريتم پيشبيني طبقهبندي است. زيرا کارآيي اين الگوريتم در مرحله آموزش 59.55 و در مرحله تست به 63.00 درصد افزايش يافته است.
کارآيي الگوريتمهاي مختلف با مشخصههاي پرسشنامهاي در نمودار ‏4-9 قابل مشاهده است:

نمودار ‏4-9: کارآيي مدل هاي طبقه بندي در مرحله آموزش و تست با مشخصه هاي پرسشنامه اي
شاخص دقت مرحله آموزش، براي کلاس الف (A) در الگوريتم SimpleCart در مدل مشخصههاي پرسشنامهاي 0.16 بوده و در مرحله تست، شاخص دقت اين الگوريتم براي طبقه الف، صفر شده است؛ لذا اين الگوريتم نميتواند الگوريتم مطلوب باشد.
شاخص دقت مرحله آموزش و تست براي کلاس الف (A) در الگوريتم DecisionTable در مدل مشخصههاي پرسشنامهاي صفر بوده است؛ لذا اين مدل نمي‌تواند مدل مطلوبي باشد. زيرا در پيشبيني طبقه موفق ناکارآمد است.
شاخص دقت در مرحله آموزش و تست براي کلاس الف (A) و (F) در الگوريتم SMO در مدل مشخصههاي پرسشنامهاي صفر بوده است. بنابراين اين الگوريتم نيز نميتواند الگوريتم مناسبي باشد.
شاخص دقت الگوريتم MLP (5,5) براي طبقه دانشجوي موفق در مرحله آموزش بسيار پايين بوده است و در مرحله تست نيز صفر شده است. بنابراين اين مدل نيز مدل مناسبي براي پيشبيني وضعيت تحصيلي يادگيرنده نيست. REPTree نيز وضعيتي مشابه پرسپترون چند لايه داشته است.
با حذف الگوريتمهاي مذکور، ميتوان نتيجه گرفت با مشخصههاي پرسشنامهاي RBFNetwork بهترين الگوريتم پيشبين است. البته شايان ذکر است که الگوريتم JRip و SimpleLogistic نتايج مطلوبي داشتهاند.
عملکرد مقايسهاي الگوريتمهاي مختلف يادگيري ماشين با مشخصههاي ورودي در نمودار ‏4-10 مشاهده ميشود:

نمودار ‏4-10: کارآيي مدل هاي طبقه بندي در مرحله آموزش و تست با مشخصه هاي پرسشنامه اي
الگوريتمهاي SimpleCart و SMO در مرحله آزمون و تست در پيشبيني طبقه دانشجويان موفق، ناتوان و دقت پيشبيني صفر را داشته است، لذا اين الگوريتمها نميتوانند الگوريتم مناسبي باشند. REPTree نيز در مرحله تست، وضعيتي مشابه دو الگوريتم مذکور داشته است. با توجه به عملکرد الگوريتمهاي باقيمانده، ميتوان نتيجه گرفت، الگوريتم استنتاج قانون JRip و DecisionTable بهترين عملکرد پيشبيني را با مشخصههاي ورودي دارند.
4- 15 خلاصه فصل
در اين فصل پس از معرفي نظام کد دهي داده‌ها و گزارش توصيفي يافتههاي پژوهش، به سؤالات پژوهش پاسخ داده شد که خلاصه آن‌ها به قرار زير است:
* در پاسخ به سئوال اول پژوهش، نتايج تحليل رگرسيون چند متغيري نشان داد، از بين متغيرهاي دموگرافيک دو متغير ِوضعيت تأهل و سن، 24.8% از ميزان موفقيت يادگيرنده الکترونيکي را تبيين ميکنند و سن متغير قويتري براي پيشبيني ميزان موفقيت يادگيرنده الکترونيکي است. معادله رگرسيون براي پيشبيني بر اساس اين متغيرها عبارت بود از:
معدل کل يادگيرنده الکترونيکي=10.984+(.149*سن ورود)-(.878*وضعيت تأهل)

* در پاسخ به سئوال دوم پژوهش، نتايج تحليل رگرسيون چند متغيري نشان داد، بين متغيرهاي مربوط به پيشينه تحصيلي، دو متغيرِ معدل مقطع قبل و فاصله بين دو مقطع، 23.1% از ميزان موفقيت يادگيرنده الکترونيکي را تبيين ميکنند. همچنين، معدل مقطع قبل متغير قويتري براي پيشبيني ميزان موفقيت يادگيرنده الکترونيکي است. معادله رگرسيوني براي پيشبيني بر اساس متغيرهاي دموگرافيک عبارت بود از:
معدل کل يادگيرنده =6.794+(.120* فاصله بين دو مقطع)+(.461* معدل مقطع قبل)

* در پاسخ به سئوال سوم پژوهش، نتايج تحليل رگرسيون چند متغيري نشان داد، متغيرهاي مربوط اجتماعي-

پایان نامه
Previous Entries پایان نامه با واژگان کلیدی اضطراب امتحان، استفاده از تلفن همراه، سلسله مراتب، تلفن همراه Next Entries پایان نامه با واژگان کلیدی اضطراب امتحان، عادت به مطالعه