Un modelo híbrido basado en redes neuronales y árboles de decisión para predecir la deserción estudiantil en la educación superior privada

Abstract

Uno de los problemas principales que enfrentan las Universidades Privadas a nivel nacional y mundial en el año 2018 es la deserción universitaria Privada, la cual ha sido investigada parcialmente y según las investigaciones realizadas, se encuentra en el primer semestre en un 40%, por lo cual dada la gravedad del estudio, se han realizado muchos experimentos de manera independiente, haciendo uso de técnicas de Minería de datos: Redes Neuronales, Árboles de Decisión, SVM, Clúster. Así también como métodos estadísticos: Regresión logística, Análisis discriminantes, Ecuaciones estructurales, en donde se han obtenido buenos resultados, pero con poca precisión. Esta investigación ayudará a las Instituciones Educativas, a poder identificar a los estudiantes que van a desertar de la Universidad, en la edad temprana, media y tardía con alta precisión y así tomar las medidas adecuadas para reducir la alta tasa de deserción. En la investigación, se utilizó la herramienta comercial Rapid Miner Studio, en donde se realizó el entrenamiento de los modelos de árboles de decisión, redes neuronales y el modelo Híbrido propuesto con 1761 datos de los estudiantes y 26 factores, luego se realizó la prueba con 100 datos nuevos que no se utilizaron para el entrenamiento, en donde se obtuvo una precisión de 87% con árboles de decisión, con redes neuronales se obtuvo una precisión de 91% y por último se usó un modelo Híbrido propuesto (árboles de decisión y redes neuronales) en donde se obtuvo una precisión de 98% obteniendo mejores resultados que las técnicas antes mencionadas de manera independiente, después de haber realizado las comparaciones con relación a la precisión. Con el resultado obtenido se podrá identificar a los alumnos que desertan con alta precisión.

One of the main problems facing Private Universities at national and global level in 2018 is the Private University desertion, which has been partially investigated and according to the research carried out, is in the first semester by 40% which given the seriousness of the study, many experiments have been carried out independently, making use of data mining techniques: neural networks, decision trees, SVM, cluster. As well as statistical methods: logistic regression, discriminant analysis, structural equations, where good results have been obtained but with little precision. This research will help the educational institutions, to identify students who are going to drop out of the University, in the early, middle and late ages with high precision and thus take the appropriate measures to reduce the high dropout rate. In the research, the commercial tool rapid miner Studio was used, where the training of decision tree models, neural networks and the proposed hybrid model was carried out with 1761 student data and 26 factors, then the test was performed with 100 new data that were not used for training, where an accuracy of 87% was obtained with decision trees, with neural networks 91% accuracy was obtained and finally a proposed hybrid model was used (decision trees and networks neuronal) where an accuracy of 98% was obtained, obtaining better results than the aforementioned techniques independently, after having made the comparisons in relation to the accuracy. With the obtained result will be able to identify the students who desert with high precision.