PREDICCIÓN Y CLASIFICACIÓN DEL RENDIMIENTO ACADÉMICO A TRAVÉS DE MÉTODOS DE MACHINE LEARNING REGRESIÓN LOGÍSTICA Y ÁRBOL DE DECISIONES

Abstract

El objetivo principal de este trabajo de investigación es evaluar métodos de Machine Learning regresión logística y árbol de decisiones para la predicción del rendimiento académico considerando diferentes variables sociodemográficas, académicas, económicas y otras, con base a registros de la gestión 2022 de la Escuela Militar de Ingeniería (E.M.I.), departamento de Ciencias Básicas. Los resultados obtenidos muestran que el método más preciso respecto a las métricas obtenidas (precisión, recall, especificidad, F1-score y otros) es el método de regresión logística con ajuste de hiperparámetros con validación cruzada con una precisión del 90.38%. El método del árbol de decisiones mostró tener una baja precisión con 47.81%. Para mejorar estas métricas se analizaron el árbol de decisiones con ajuste de hiperparámetros, el Random Forest y el Random Forest con ajuste de hiperparámetros, siendo este último el que mostró las métricas mejoradas (54.6% de precisión). Los resultados obtenidos a partir del análisis de los métodos propuestos, servirán para identificar a los estudiantes en riesgo de bajos rendimientos y la toma de decisiones para evitar la posible deserción estudiantil.