《表6 AUC评价指标：面向非平衡数据集的随机森林算法对学生学业问题的预测分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向非平衡数据集的随机森林算法对学生学业问题的预测分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

(2）依据AUC评价指标的问题学生（少数类）学业表现模型选择结果如表6所示.对原始数据集未进行非平衡数据处理的情况下，所列5种模型AUC均值为0.82，最大值为Logistic Regression分类器的0.86，最小值为Decision Tree分类器的0.79.对原始数据集采用10种非平衡方法处理时，SMO-TEENN抽样方法下5种分类器AUC值都达到峰值，其中Random Forest和Radial SVM分类器表现最优，AUC值为0.97，比未进行采样的情况下的AUC分别提高了0.17和0.13.热度图3显示，None、CNN和NearMiss采样下5种分类器对应区域颜色较浅，分类效果一般，SMOTEENN对应区域颜色最深，分类效果最好.