Acceso Abierto
Estudio comparativo de Técnicas de supervisadas de Minería de Datos para Segmentación de Alumnos
Cargando...
Archivos
Fecha
2017-01-16
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Resumen
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.
Descripción
Palabras clave
Minería de Datos, Segmentación Académica, Clustering