Estudio Comparativo de Técnicas no Supervisadas de Minería de Datos para Segmentación de Alumnos

Published in: Global Partnerships for Development and Engineering Education: Proceedings of the 15th LACCEI International Multi-Conference for Engineering, Education and Technology
Date of Conference: July 19-21, 2017
Location of Conference: Boca Raton, FL, United States
Authors: Leticia Laura Ochoa, MS. (Universidad Católica de Santa María, PE)
Karina Rosas Paredes, MS. (Universidad Católica de Santa María, PE)
José Esquicha Tejada, MS. (Universidad Católica de Santa María, PE)
Full Paper: #115

Abstract:

Existen varios algoritmos de clustering que generan diferentes resultados de agrupamiento, por lo que es necesario elegir el algoritmo que ofrezca mejores resultados para la segmentación académica, en este trabajo se realiza un estudio comparativo de técnicas no supervisadas de minería de datos para la segmentación de alumnos utilizando algoritmos de K-means y PAM dentro del clustering particional y métodos de ward, single, complete, average, mcquitty, median y centroid del clustering jerárquico aglomerativo, luego se elige el algoritmo de minería de datos con la que se obtiene mejor calidad de agrupamiento utilizando medidas internas como las distancias intra-cluster e inter-cluster, y el coeficiente de silueta, obteniendo mejores resultados con la técnica de clustering particional K-means para la segmentación académica en tres grupos que puede ser utilizado para reforzar el aprendizaje de los alumnos en los niveles básico, intermedio y avanzado.