##plugins.themes.huaf_theme.article.main##
Tóm tắt
Học máy đang trở thành ứng dụng cao cấp hỗ trợ con người tìm kiếm những bí ẩn bên trong dữ liệu lớn. Các mô hình học máy được huấn luyện sẽ có khả năng tự phân tích dữ liệu hiện tại để dự đoán xu hướng tương lai. Bài báo này có mục đích xây dựng thuật toán, ứng dụng thực tế, tính khả thi của mô hình học máy có giám sát Random Forest dự báo sinh viên cảnh báo học tập tại Trường Đại học Kinh tế Huế. Tập dữ liệu huấn luyện là điểm thi học kì 1 của 2239 sinh viên năm thứ nhất của các khoá K51 và K52. Dữ liệu huấn luyện có đặc điểm mất cân bằng giữa sinh viên diện cảnh báo và diện không cảnh báo. Lớp các mô hình học máy phân lớp như k-Nearest Neighbors (kNN), Decision Tree, Perceptron (PLA), Navie Bayes, Logistics Regression, Random Forest và Multip Layers Perceptron (MLP) được đưa vào huấn luyện. Hiệu suất, độ chính xác và hiệu quả trong phân tích dự báo được so sánh để chọn mô hình tốt. Qua huấn luyện cho thấy mô hình học máy Random Forest dự báo hiệu quả nhất. Kết quả dự báo giúp sinh viên điều chỉnh việc học tập, giúp nhà trường quản lý tốt hơn.
Từ khoá: Mô hình học máy phân lớp; Sinh viên diện cảnh báo học tập; Mất cân bằng dữ liệu; Mô hình học máy có giám sát; Mô hình học máy không giám sát.