Reducción de la dimensión de registros de evaluaciones académicas aplicando el algoritmo K-means

Abstract

Resumen. En un ambiente educativo existe una gran cantidad de datos que pueden ser analizados y utilizados en el proceso de la toma de decisiones. En la actualidad, debido al tamaño de su dimensión, los datos tienden a ser más complejos que los datos convencionales y requieren una reducción de su dimensión. La M inería de Datos Educacional permite utilizar técnicas de M inería de Datos para analizar información académica con el fin de identificar patrones que no son evidentes. Este artículo presenta resultados obtenidos en una investigación de un caso de estudio sobre el rendimiento académico de alumnos de Ingeniería del Centro Universitario UAEM Valle de M éxico. En el análisis de los datos se utiliza el algoritmo K-means, el software WEKA y R Studio. Se propone utilizar el agrupamiento para reducir la dimensión de las variables académicas en función de los registros de las calificaciones obtenidas durante los últimos períodos cursados, luego se trabajará con una medida promedio para predecir el rendimiento académico de un alumno. Se utiliza R Studio para contrastar los grupos obtenidos por WEKA.Palabras clave: minería de datos educacional, reducción de la dimensión, agrupamientos, K-means.Abstract. In an educational environment there is a huge data quantity, this data can be analyzed, and it can be used in decision making process. Nowadays data tends to be more complex due to the size than conventional data and need dimension reduction. Educational Data M ining lets using Data M ining techniques for analyzing academic information in order to identify patterns that are not evident. This article presents results obtained in a research of a case of study where regard the academic performance of undergraduate students of Engineering of the Centro Universitario UAEM Valle de M éxico. In the data analysis is used the Kmeans algorithm, WEKA and R Studio. We propose the use of Clustering to reduce the dimension of academic variables based on their grade registers getting during last periods then we work with some average measure of in order to predict the academic performance of a student. It is used R Studio for contrast the Clusteres obtained by WEKA.