Regresión Logística Técnica de Machine Learning para predicciones académicas

Palabras clave: Regresión logística simple, Regresión logística múltiple, Mean Squere error (MSE), Coeficiente de determinación (R2), Descenso del gradiente, Estudiante

Resumen

En este artículo, empleamos la regresión logística como técnica de machine learning para predecir cual es la probabilidad que un estudiante de primer semestre de la Universidad Distrital Francisco José De Caldas repruebe  o aprueba la materia de cálculo y con qué porcentaje.

Para ello hacer uso de la base de datos de estudiantes disponible en el repositorio de datos de la universidad distrital FJC ver [1].

Inicialmente utilizamos regresión logística utilizando la edad de ingreso del estudiante y la nota obtenida en semestres anteriores, para predecir el porcentaje con el cual un nuevo estudiante obtendría una nota aprobatoria según las normas de la universidad distrital la cual es tres punto cero (3.0).

Como segundo término utilizamos regresión logística múltiple, con ella utilizamos más de dos variables de entrada y la nota obtenida por los estudiantes en el semestre anterior. Con ello predecimos la nota del estudiante con un porcentaje de aprobación.

En primer término, mediante regresión logística simple, predecimos, la probabilidad de que un estudiante con determinado puntaje en las pruebas de estado (ICFES) repruebe una materia de primer semestre en la Universidad Distrital FJC de Bogotá.  Para ello hemos utilizado Python y las librerías keras y tensorflow. Para evaluar la eficiencia de nuestro modelo, hemos analizado los datos mediante: El error cuadrático medio, Mean Squere error´ (MSE), La raíz del MSE, Root Mean Square Error (RMSE) y el coeficiente de determinación (R2). también hemos evaluado nuestro modelo mediante, la raíz cuadrada del error cuadrático medio, RMSE: Root Mean Square´ Error que nos mide que tan bien se ajusta una línea de regresión´ a los puntos de datos.

Para el manejo de la base de datos se trabajó sobre archivos .cvs y fueron manipulados mediante NumPy y Pandas librerías para tal fin suministradas por Python.

Descargas

La descarga de datos todavía no está disponible.

Citas

Regresión lineal y mínimos cuadrados (15 de Marzo de 2021). [Online Video]. Available url: https://www:youtube:com=watch?v = k964uNn3l0

Entendiendo la regresión logística consultado el 15 agosto de 2023 https://www.datasource.ai/es/data-science-articles/entendiendo-la-regresion-logistica regresión Lineal con Scikit Learn (14 de Marzo de 2021). [Online Video]. Available url = https: //aprendeia:com/regression-lineal-con-scikit-learn/

John Burkardt. Regression Linear Datasets (14 de Marzo de 2021). Available url = https://people:sc:fsu:edu/ jburkardt/datasets/regression/regression.html

Anurag Gupta. Using Python to visualize COVID-19 projections (14 de Marzo de 2021). Available url = https: //opensource:com/article/20/4/python-data-covid-19

Prototipo de una red neuronal artificial para la detección de falencias académicas en primer semestre Facultad Tecnológica (14 de Marzo de 2021). Available url = https://www.udistrital.edu.co/inicio

Minsky, Marvin and Papert, Seymour ,“An introduction to computational geometry”, Cambridge tiass., HIT, year=1969

Rosenblatt, Frank, “he perceptron: a probabilistic model for information storage and organization in the brain.” Psychological review, volume=65, number=6, pages=386, year=1958.

Rumelhart, David E and Hinton, Geoffrey E and Williams, Ronald J, Learning representations by back-propagating errors journal=nature, volume=323, number=6088, pages=533–536, year=1986, publisher=Nature Publishing Group

Wikipedia.org, Python, year = 2020, url = URL https://es.wikipedia.org/wiki/Python, note/”[Web; accedido el 26-04-2020]”

Jordi Torres, “Red neuronal en Keras, guia practica,”,year = septiembre 19, 2018,url = URL http://sitiobigdata.com/2018/09/19/red-neuronal-enkeras/, note = [Web; accedido el 26-04-2020]

“Keras.io,” year = 2020, url = URL https://keras.io/,note/ [Web accedido el 26-04-2020]

author = Wikipedia.org ,title = Tflearn, year = 2020, url = URL https://es.wikipedia.org/wiki/Tflearn,note = ”[Web; accedido el 26-04-2020]”

author = Wikipedia.org ,title = Keras, year = 2020, url = URL https://es.wikipedia.org/wiki/Keras, note = ”[Web; accedido el 26-04-2020]”

author = Guillermo Westreicher,title = economipedia, year = 2021, url = URL https://economipedia.com/definiciones/modelo-logit.html [Web; accedido el 26-04-2023]”

Congreso internacional de computación CICOM201. consultado el 15 agosto de 2023 https://comunidad.udistrital.edu.co/cicom2021/organizacion/

Publicado
2024-07-05
Cómo citar
Becerra Correa, N., & Leguizamón Páez, M. A. (2024). Regresión Logística Técnica de Machine Learning para predicciones académicas. XIKUA Boletín Científico De La Escuela Superior De Tlahuelilpan, 12(Especial), 71-80. https://doi.org/10.29057/xikua.v12iEspecial.12746
Tipo de manuscrito
Artículos