KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi / 2004 / Cilt: 0 - Sayı: 1

Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regrasyon Analizi ve Sinir Ağları Yaklaşımı

Logistic Regression Analysis and Neural Networks Approach in the Classification of Students' Chievement

Nuray GÜNERİ
Ayşen APAYDIN
Sayfa
170–188
Yayın Tarihi
2022-10-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Lojistik regresyon ve sinir ağları yöntemleri bireylerin doğru sınıflandırılma oranlarına göre karşılaştırılmıştır.Yöntemler; Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi'nden alınan Veriler üzerine uygulanmış ve sinir ağları yönteminden elde edilen oranın,lojistik regresyon yönteminden elde edilen orana eşit olduğu görülmüştür

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma öğrenci başarısızlıklarının nedenlerini tanımlamak ve böylece gelecekte karşılaşılabilecek başarısızlıkları kestirmek için sinir ağları ile lojistik regresyon yöntemini karşılaştırmayı hedeflemektedir.
📊
Temel Bulgular & Veri:Bu çalışma öğrenci başarısızlıklarının nedenlerini tanımlamak ve böylece gelecekte karşılaşılabilecek başarısızlıkları kestirmek için sinir ağları ile lojistik regresyon yöntemini karşılaştırmayı hedeflemektedir.
💡
Sonuç & Katkı:Lojistik regresyon ve sinir ağları yöntemleri bireylerin doğru sınıflandırılma oranlarına göre karşılaştırılmıştır.Yöntemler; Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi'nden alınan Veriler üzerine uygulanmış ve sinir ağları yönteminden elde edilen oranın,lojistik regresyon yönteminden elde edilen orana eşit olduğu görülmüştür
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışma öğrenci başarısızlıklarının nedenlerini tanımlamak ve böylece gelecekte karşılaşılabilecek başarısızlıkları kestirmek için sinir ağları ile lojistik regresyon yöntemini karşılaştırmayı hedeflemektedir. Lojistik regresyon ve sinir ağları yöntemleri bireylerin doğru sınıflandırılma oranlarına göre karşılaştırılmıştır.Yöntemler; Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi'nden alınan Veriler üzerine uygulanmış ve sinir ağları yönteminden elde edilen oranın,lojistik regresyon yönteminden elde edilen orana eşit olduğu görülmüştür

Abstract

This study aimed to compare neural networks with logistic regression method to identify causes of student failures and therefore predicting future failures. Logistic regression and neural networks methods have been compared with respect to their correct classification probabilities of individuals. These methods have been applied to a data set taken from Gazi University, Faculty of Commerce and Tourism Education and it is observed that the correct classification probability obtained from neural networks is equals to the correct classification probability obtained from logistic regression.

🔖

Bu Makaleye Atıf Yap

GÜNERİ, N., APAYDIN, A. (2022). Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regrasyon Analizi ve Sinir Ağları Yaklaşımı. Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, Cilt: 0 - Sayı: 1, 170–188. https://ajindex.com/articles/524441

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Adıgüzel, F. (1999). Neural Networks as a Statistical Tool. Master thesis (unpublished), Middle East Technical University, 100 p., Ankara.
  2. Aldrich, J.H. and Nelson, F.D. (1984),
  3. Linear Probability, Logit and Probit Models,Sage Publications, Inc., 95 p., London. Bishop, M.C. (1995), Neural Networks for Pattern Recognition, Oxford University Press, 482 p.,New York. Collins, J.M. and Clark, M.R. (1993), An Aplication of The Theory of Neural Computation to The Prediction of Workplace Behavior: An Illustration and Assesment of Network.Analysis, Personnel Psychology, 46; 503-524.
  4. Elmas, Ç. (2003),
  5. Yapay Sinir Ağları, Seçkin Yayıncılık. 192s., Ankara.
  6. Fausset, L. (1994),
  7. Fundementals of neural networks, Prentice Hall. Englewood Cliffs, 461 p., New Jersey. Flitman, A.M. (1997), Towards Analysing Student Failures: Neural Networks Compared with Regression Analysis and Multiple Discriminant Analysis, Computers Ops. Res., 24(4), 367-377.
  8. Gorr, W.L., Nagjn,; D. and Szcypula, J. (1994), Comparative Study of Artificial Neural NetWork and Statistical Models for, Predicting Student Grade Point Avarages,International Journal of Forecasting, 10; 17-34.
  9. Gürcan, M. (1998), Lojistik Regresyon Analizi ve Bir Uygulama, Yüksek Lisans Tezi (basılmamış), Ondokuz.Mayıs Üniversitesi, 63 s., Samsun. Hardgrave, B.C., Wilson, R.L arid Walstrom, K.A. (1994), Predicting Graduate Student success: A Comparison of Neural Networks and Traditional Techniques, Computers Öps. Res., 21 (3); 249-263.
  10. Hwang, G.J.T. and Ding, AA (1997), Prediction Intervals for Artificial Neural Networks, Journal of the American Statistical Association 92(438); 748-757. Neural Connection Version2.0 Copyright 1995-97.
  11. Recognition Systems Ltd. Özdamar, K. (1997). Paket Programlar ile İstatistiksel Veri Analizi, Anadolu Üniversitesi Yayınları, 512 s., Eskişehir. Öztemel, E. (2003),
  12. Yapay Sinir Ağları, Papatya Yayıncılık, 232s., İstanbul. Stergiou,C. and Siganos, D.(1996), Neural Networks, http://www.dse.doc.ic.ak.uk./~nd/surprise.
  13. Tathdil, H. (1996), Uygulamalı Çok Değişkenli İstatistiksel Analiz, Cem Web Ofset Ltd. Şti., 424 s., Ankara.
  14. Veaux, D.R., Schumi, J., Schweinsberg, J. and Ungar, H.L. (1998), Prediction Intervals for Neural Networks via Nonlinear Regression, Technometrics, 40(4); 273-282.
  15. Warner, B. and Mısra, M. (1996), Understanding Neural Networks as Statistical Tools, The American Statistician, 50(4); 284-293