Ứng dụng học máy vào dự đoán tỷ lệ tốt nghiệp

Trong giáo dục, việc dự đoán tỷ lệ tốt nghiệp là một vấn đề quan trọng giúp các trường đại học, cao đẳng và tổ chức đào tạo đưa ra các chiến lược hỗ trợ sinh viên. Khi biết trước nhóm sinh viên có nguy cơ không hoàn thành khóa học, nhà trường có thể triển khai các chương trình tư vấn, hỗ trợ học tập và tài chính kịp thời để cải thiện kết quả.

Học máy (Machine Learning) mang lại khả năng phân tích dữ liệu lớn, nhận diện các yếu tố tiềm ẩn ảnh hưởng đến tỷ lệ tốt nghiệp và xây dựng các mô hình dự báo chính xác. Nếu bạn từng đọc Giải thích các bước xây dựng pipeline học máy, bạn sẽ thấy cách kết hợp các bước tiền xử lý dữ liệu, huấn luyện mô hình và đánh giá kết quả. Đồng thời, việc Hướng dẫn xử lý thiếu dữ liệu trong Pandas sẽ giúp đảm bảo chất lượng dữ liệu đầu vào, còn Xây dựng mô hình học sâu bằng Keras cho người mới cho thấy tiềm năng của các mô hình phức tạp hơn trong các bài toán giáo dục.

Mô tả bài toán

Mục tiêu là xây dựng một mô hình học máy để dự đoán xác suất tốt nghiệp của sinh viên dựa trên các dữ liệu lịch sử như: điểm GPA, số tín chỉ tích lũy, số lần nghỉ học, hoàn cảnh kinh tế, tham gia hoạt động ngoại khóa, và thông tin nhân khẩu học.

Bài toán thuộc nhóm phân loại nhị phân:

• 1 – Sinh viên tốt nghiệp đúng hạn

• 0 – Sinh viên không tốt nghiệp đúng hạn

Bộ dữ liệu sẽ được chuẩn bị và tiền xử lý để phù hợp với các thuật toán học máy như Logistic Regression, Random Forest và Gradient Boosting.

Giới thiệu học máy trong giáo dục

Học máy đã được áp dụng trong nhiều lĩnh vực của giáo dục:

• Dự đoán điểm số: Giúp giáo viên theo dõi tiến trình học tập.

• Phân loại sinh viên rủi ro: Xác định học sinh cần hỗ trợ.

• Tối ưu hóa chương trình giảng dạy: Phân tích hiệu quả các phương pháp giảng dạy.

Trong bài toán dự đoán tỷ lệ tốt nghiệp, học máy giúp xử lý dữ liệu phức tạp và tìm ra các mối quan hệ mà con người khó nhận thấy.

Chuẩn bị môi trường

Trước tiên cần cài đặt các thư viện:

pip install pandas scikit-learn matplotlib seaborn

Import các thư viện cần thiết:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix

df = pd.read_csv('StudentsPerformance.csv')
print(df.head())
print(df.info())

print(df.isnull().sum())

# Mã hóa biến phân loại
df['gender'] = df['gender'].map({'female': 0, 'male': 1})
df['parental level of education'] = df['parental level of education'].astype('category').cat.codes
df['lunch'] = df['lunch'].map({'standard': 1, 'free/reduced': 0})
df['test preparation course'] = df['test preparation course'].map({'completed': 1, 'none': 0})

df['graduated'] = ((df['math score'] + df['reading score'] + df['writing score']) / 3 >= 60).astype(int)

X = df.drop('graduated', axis=1)
y = df['graduated']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train_scaled, y_train)

y_pred = model.predict(X_test_scaled)

print(classification_report(y_test, y_pred))

sns.heatmap(confusion_matrix(y_test, y_pred), annot=True, fmt='d', cmap='Blues')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.show()

feature_importances = pd.Series(model.feature_importances_, index=X.columns)
feature_importances.sort_values(ascending=False).plot(kind='bar')
plt.title('Độ quan trọng của các đặc trưng')
plt.show()

import joblib
joblib.dump(model, 'graduation_predictor.pkl')