Open maxwell-lcy opened 3 years ago
分類問題(以總成績60分來界定是否會通過該科目) 根據目前結果來看，模型在預測總成績是否會過沒有很好的表現 使用的方法： PCA，one hot encoding 使用的模型： random forest classifier，Catboost classifier 評分方式：classification_report，cross validation(交叉驗證) 結果：0.60左右，準確率很低 原因：待定，不確定是否是因爲資料筆數過少的問題
回歸問題(以第三次成績作爲分數預測結果) 這部分模型取得了還不錯的效果，MSE的都偏低 使用的方法： one hot encoding，刪除G2或G3分數等於0的資料 使用的模型： SVR，random forest regression， gradient boosting regression 評分方式：MSE，RMSE，cross validation(交叉驗證) 結果：還不錯，特別是在葡萄牙語上表現很好 後續：透過提取random forest 及 gradient boosting 模型中的future importance，可以看到兩者的重要特徵幾乎相同，像failure，absence，Medu等，詳細的在ipynb裡面有列出來
未來規劃： 嘗試優化分類問題的結果，提取不同模型的重要特徵，嘗試今天早上老師介紹的voting模型
分類問題(以總成績60分來界定是否會通過該科目) 根據目前結果來看，模型在預測總成績是否會過沒有很好的表現 使用的方法： PCA，one hot encoding 使用的模型： random forest classifier，Catboost classifier 評分方式：classification_report，cross validation(交叉驗證) 結果：0.60左右，準確率很低 原因：待定，不確定是否是因爲資料筆數過少的問題
回歸問題(以第三次成績作爲分數預測結果) 這部分模型取得了還不錯的效果，MSE的都偏低 使用的方法： one hot encoding，刪除G2或G3分數等於0的資料 使用的模型： SVR，random forest regression， gradient boosting regression 評分方式：MSE，RMSE，cross validation(交叉驗證) 結果：還不錯，特別是在葡萄牙語上表現很好 後續：透過提取random forest 及 gradient boosting 模型中的future importance，可以看到兩者的重要特徵幾乎相同，像failure，absence，Medu等，詳細的在ipynb裡面有列出來
未來規劃： 嘗試優化分類問題的結果，提取不同模型的重要特徵，嘗試今天早上老師介紹的voting模型