The proposed methods (K-means, FCM,

The proposed methods (K-means, FCM, SC, hybrid SC-FCM and hybrid SC-ANFIS) allocate new students to homogenous groups of specified maximum capacity and analyse effects of such allocations on the academic performance of students. In these methods, the dataset used for training and testing is marks of 100 students who appeared in semester-1 (sem-1), semester-2 (sem-2) and semester-3 (sem-3), out of which 50 datasets have been used for training and rest 50 datasets for testing purpose (Tables 1 and 2). The MATLAB software (used for modelling students’ academic performance evaluation based on maximum value of marks that refers to the level of performance) based classification of the grades in this experiment is shown in Table 3. The marks obtained by each student who appeared in sem-1, sem-2 and sem-3 examinations have to be converted to the normalized values. Normalized value is referred to a range of (0, 1) which can be obtained by dividing the marks for each semester examination with the total marks. The normalized value will be the input value for evaluation. In addition, Table 3 also shows the marks and their associated original grade and level of achievement. Table 4 shows marks of 15 new students for testing the proposed models.

Kết quả (Việt) 1:

Các phương pháp được đề xuất (K-có nghĩa là, FCM, SC, lai SC-FCM và hybrid SC-ANFIS) phân bổ các sinh viên mới cho đồng nhất các nhóm công suất tối đa quy định và phân tích tác động của các phân bổ trên các hoạt động học tập của học sinh. Trong những phương pháp này, số liệu được sử dụng cho đào tạo và thử nghiệm là nhãn hiệu của 100 sinh viên xuất hiện trong học kỳ-1 (sem-1), học kỳ 2 (sem-2) và học kỳ-3 (sem-3), trong số đó datasets 50 đã được sử dụng để huấn luyện và còn lại 50 datasets để thử nghiệm mục đích (bảng 1 và 2). Phần mềm MATLAB (sử dụng cho mô hình học sinh học tập hiệu suất đánh giá dựa trên giá trị tối đa của các nhãn hiệu đề cập đến mức độ của hiệu suất) dựa trên phân loại của các lớp trong thử nghiệm này sẽ được hiển thị trong bảng 3. Các dấu hiệu thu được của mỗi sinh viên xuất hiện trong sem-1, sem-2 và sem-3 kỳ thi phải được chuyển đổi sang các giá trị bình thường. Giá trị bình thường được nhắc đến một loạt các (0, 1) mà có thể thu được bằng cách chia các dấu hiệu cho mỗi học kỳ thi với các dấu hiệu tất cả. Giá trị bình thường sẽ có giá trị đầu vào để đánh giá. Ngoài ra, bảng 3 cũng cho thấy các dấu hiệu và kết hợp ban đầu lớp và mức độ thành tích của họ. Bảng 4 cho thấy dấu hiệu của 15 sinh viên mới để thử nghiệm những kiểu đề xuất.

Kết quả (Việt) 2:

Các phương pháp đề xuất (K-means, FCM, SC, lai SC-FCM và hybrid SC-ANFIS) phân bổ sinh viên mới cho các nhóm đồng nhất về năng lực tối đa quy định và phân tích tác động của việc phân bổ như trên thành tích học tập của học sinh. Trong phương pháp này, các số liệu được sử dụng để huấn luyện và thử nghiệm là dấu hiệu của 100 học sinh xuất hiện trong học kỳ 1 (sem-1), học kỳ 2 (sem-2) và học kỳ 3 (sem-3), trong đó 50 bộ dữ liệu đã được sử dụng để huấn luyện và nghỉ ngơi 50 bộ dữ liệu cho mục đích thử nghiệm (Bảng 1 và 2). Các phần mềm MATLAB (được sử dụng để đánh giá kết quả học tập sinh viên mô hình dựa trên giá trị tối đa của nhãn hiệu đã đề cập đến mức độ thực hiện) phân loại dựa trên các lớp trong thí nghiệm này được thể hiện trong Bảng 3. Các dấu thu được của từng sinh viên người đã xuất hiện trong sem -1, sem-2 và sem-3 kỳ thi phải được chuyển đổi sang các giá trị bình thường. giá trị bình thường được gọi một loạt các (0, 1) mà có thể thu được bằng cách chia điểm cho mỗi kỳ thi học kỳ với tổng số điểm. Giá trị bình thường sẽ là giá trị đầu vào để đánh giá. Ngoài ra, Bảng 3 cũng cho thấy những dấu hiệu và lớp ban liên quan của họ và thành tích đó. Bảng 4 cho thấy dấu hiệu của 15 sinh viên mới để thử nghiệm các mô hình đề xuất.