Análise da evasão estudantil com estudo de caso o Ifes campus Cachoeiro de Itapemirim utilizando recursos do Machine Learning

Donna, Gabrielle Tuão (2023-07-21)

tcc

RESUMO: A evasão estudantil é um desafio significativo em diferentes níveis de ensino, e seu impacto direto afeta tanto os alunos quanto as instituições de forma abrangente. Isso se deve ao considerável investimento feito em infraestrutura e corpo docente, que acaba resultando em perdas quando ocorre a evasão. Diante dessa realidade, o objetivo deste trabalho é realizar uma análise detalhada por meio de um estudo de caso sobre a evasão de alunos nos cursos de graduação oferecidos pelo Instituto Federal do Espírito Santo, no Campus Cachoeiro de Itapemirim. Na qual foram preparados e normalizados para serem divididos em bases de treinamento e teste para em seguida serem aplicados e identificar entre os algoritmos de Machine Learning DecisionTre- eClassifier, RandomForestClassifier e MLPClassifier qual tem melhor desempenho para serem avaliados. O Algoritmo RandomForestClassifier destacou entre e os três algoritmos e foi aplicado a métricas posteriores como acurácia e precisão para realizar um entendimento da assertividade e desempenho do algoritmo em relação a base, determinando assim o potencial de permanência dos alunos.

ABSTRACT: Student dropout is a significant challenge at different levels of education, and its direct impact affects both students and institutions across the board. This is due to the considerable investment made in infrastructure and teaching staff, which ends up resulting in losses when dropout occurs. Given this reality, the objective of this work is to carry out a detailed analysis through a case study on the dropout of students in undergraduate courses offered by the Federal Institute of Espírito Santo, at Campus Cachoeiro de Itapemirim. In which they were prepared and normalized to be divided into training and test bases to then be applied and identify among the Machine Learning algorithms DecisionTreeClassifier, RandomForestClassifier and MLPClassifier which has the best performance to be evaluated. The RandomForestClassifier Algorithm stood out between and the three algorithms and was applied to later metrics such as accuracy and precision to understand the assertiveness and performance of the algorithm in relation to the base, thus determining the potential of students to remain.


Collections: