Μοντελοποίηση Πρόβλεψη και Ανάλυση Παραγόντων του Χρόνου Αποφοίτησης.

Abstract

Η παρούσα πτυχιακή εργασία ασχολήθηκε με την μελέτη και εφαρμογή των μοντέλων LinearRegression, Ridge(L2) ,Lasso(L1), Polynomial Regression και SVR τα οποία αποτε-λούν μεθοδολογίες των γραμμικών μοντέλων ,τόσο σε θεωρητικό όσο και σε πρακτικό επί-πεδο (Moναχóπoυλoς, 2016). Ο σκοπός της έρευνας είναι (Athanasiadis & Αθανασιάδης, 2015) η λειτουργία ενός μοντέλο να μπορεί να προβλέπει ποιές ιδιότητες ενός νεοεισερχόμε-νου φοιτητή (δεδομένου) επηρεάζουν τον χρόνο αποφοίτησης .Για να μπορέσει να επιτευχθεί (Athanasiadis & Αθανασιάδης, 2015) αυτό ήταν απαραίτητο να συλλεχθούν παλαιότερων φοιτητών ιδιότητες ούτως ώστε να εποπτευθεί η σωστή λειτουργία του κάθε μοντέλου, και να επιλεγεί το μοντέλο με την βέλτιστη απόδοση με το μικρότερο σφάλμα, όπου για τον σκοπό της συγκεκριμένης έρευνας επιλέχθηκε το Polynomial Regression .Συνοψίζοντας για την υλοποίηση των μοντέλων έγινε χρήση της γλώσσας προγραμματισμού Python και όλα τα αποτελέσματα από κάθε μοντέλο παρουσιάζονται και περιγράφονται μεσα στο κείμενο (Moναχóπoυλoς, 2016).

The thesis essay focuses on studying and analyzing the theoretical models of LinearRegression, Ridge (L2), Lasso (L1), polynomial Regression and the SVR.These theo-retical models are part of the Linear models (Moναχóπoυλoς, 2016).The research analyses a model that can foresee, the parameters that influences the graduation time of a student (data) (Athanasiadis & Αθανασιάδης, 2015).In order to achieve that (Athanasiadis & Αθανασιάδης, 2015) have been selected data from students of previous years. In order to verify the correct function of each model. So can be chosen the optimal performance with minimum error, for this purpose has been chosen the Polynemial Regression .Summarizing, the Python language has been used for creating the models. The results of each model has been analyzed and pre-sented in the essay (Moναχóπoυλoς, 2016) .