আমি একটি লজিস্টিক রিগ্রেশন মডেল সহ কিছু বৈশিষ্ট্যের ভিত্তিতে শিক্ষার্থীদের সাফল্য বা ব্যর্থতার পূর্বাভাস দেওয়ার চেষ্টা করছি। মডেলটির কর্মক্ষমতা উন্নত করতে, আমি ইতিমধ্যে স্পষ্ট পার্থক্যের ভিত্তিতে শিক্ষার্থীদের বিভিন্ন গ্রুপে বিভক্ত করার এবং প্রতিটি গ্রুপের জন্য পৃথক মডেল তৈরি করার বিষয়ে চিন্তা করেছি। তবে আমি মনে করি পরীক্ষার মাধ্যমে এই গোষ্ঠীগুলি চিহ্নিত করা কঠিন হতে পারে, তাই আমি শিক্ষার্থীদের বৈশিষ্ট্যগুলিকে ক্লাস্টার করে বিভক্ত করার চিন্তাভাবনা করেছি। এই জাতীয় মডেল নির্মাণে এটি কি সাধারণ অভ্যাস? আপনি কি সুপারিশ করবেন যে আমি এটিকে সুস্পষ্ট গ্রুপে বিভক্ত করব (উদাহরণস্বরূপ, প্রথম মেয়াদী শিক্ষার্থী বনাম প্রত্যাবর্তনকারী শিক্ষার্থীরা) এবং তারপরে এই গোষ্ঠীগুলিতে ক্লাস্টারিং করব, বা শুরু থেকেই ক্লাস্টার করব?
স্পষ্ট করার চেষ্টা করার জন্য:আমার অর্থ হ'ল আমি লজিস্টিক রিগ্রেশনকে গ্রুপে বিভক্ত করার জন্য আমার প্রশিক্ষণ সেটটি ভাঙ্গতে একটি ক্লাস্টারিং অ্যালগরিদম ব্যবহার করার বিষয়টি বিবেচনা করছি । আমি তখন সেই গ্রুপগুলির প্রত্যেকের জন্য পৃথক লজিস্টিক রিগ্রেশন করব। তারপরে কোনও শিক্ষার্থীর ফলাফলের পূর্বাভাস দেওয়ার জন্য লজিস্টিক রিগ্রেশন ব্যবহার করার সময়, তারা কোন গ্রুপে সবচেয়ে বেশি উপযুক্ত তার ভিত্তিতে কোন মডেলটি ব্যবহার করবেন তা আমি বেছে নেব।
একটি গোষ্ঠী শনাক্তকারীকে অন্তর্ভুক্ত করে আমি একই জিনিসটি করতে পারি, উদাহরণস্বরূপ, শিক্ষার্থী যদি ফিরে আসছেন তবে 1 এবং না হলে 0 টি।
এখন আপনি আমাকে প্রতিটি জনগোষ্ঠীর জন্য পৃথক লজিস্টিক রিগ্রেশন মডেল তৈরির পরিবর্তে প্রশিক্ষণের ডেটা সেট ক্লাস্টার করা এবং তাদের ক্লাস্টার লেবেলকে লজিস্টিক রিগ্রেশনের বৈশিষ্ট্য হিসাবে ব্যবহার করা সুবিধাজনক হতে পারে সে সম্পর্কে আমাকে ভাবতে বাধ্য করেছেন।
যারা নতুন শিক্ষার্থী বনাম নতুন শিক্ষার্থীদের প্রত্যাবর্তন করছেন তাদের জন্য একটি গ্রুপ শনাক্তকারী অন্তর্ভুক্ত করা যদি দরকারী হয় তবে এটিও গ্রুপগুলির তালিকাটি প্রসারিত করার জন্য কার্যকর হতে পারে? ক্লাস্টারিং এটিকে করার মতো প্রাকৃতিক উপায় বলে মনে হচ্ছে।
আমি আশা করি এটা পরিষ্কার ...