《表7 机器学习算法和逻辑回归的平均表现（%）》

  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

《高等教育人工智能应用研究综述：教育工作者的角色何在》

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

注：算法：ANN=artificial neural network（人工神经网络），RF/DT=random forest/decision tree（随机森林/决策树），SVM=supportvector machines（支持向量机），NB=Nave Bayes（朴素贝叶斯），J48=C4.5 decision tree(C4.5决策树），LR=logistic regression（逻辑回归）预

这一类全部58项研究均采用机器学习方法对模式进行识别和分类并对学生特征进行建模以实现预测。因此，它们都是定量研究。很多研究使用几种机器学习算法（如ANN、SVM、RF、NB，见表7)（1）并将它们的总体预测准确度与常规的逻辑回归进行比较。表7显示所有研究均证明机器学习方法在分类准确度上优于逻辑回归。我们还可以使用F1分数评估分类器（classifiers）的表现（Umer，et al.，2017；关于诊断性准确率方法另见?imundi，2009）。F1分数的值介于0～1之间，最佳值是1（最佳精确率和召回率）。一项根据在线讨论参与情况预测学生小组项目表现的研究显示，J48、NB和SVM的F1分数值很高，分别是0.848、0.911和0.914(Yoo&Kim，2013）。