Evasão Escolar: Análise Comparativa de Algoritmos de Machine Learning e Técnicas de Tratamento de Dados

Resumo

Este trabalho aborda a evasão escolar, um problema global que impacta instituições de ensino, com consequências sociais, acadêmicas e econômicas. O estudo visa aprimorar a previsão da evasão utilizando algoritmos de Machine Learning, aplicados ao conjunto de dados “Predict students dropout and academic success” (2011), composto por informações de alunos de ensino superior em Portugal. Os algoritmos AdaBoost (ADA), Análise Discriminante Linear (LDA) e K-Vizinhos Mais Próximos (KNN) foram testados, e a seleção de variáveis foi feita usando Grid Search Cross Validation com o F1-score como métrica principal.
A análise comparou os modelos antes e depois do tratamento dos dados, mostrando grandes melhorias. O F1-score dos modelos ADA e LDA aumentou de 62% para 91% após o tratamento, e o KNN passou de 62% para 84%. O estudo conclui que a qualidade dos dados é crucial para o desempenho dos algoritmos e destaca a relevância do Machine Learning na identificação de padrões que auxiliem na retenção de alunos. As melhorias observadas comprovam que essas técnicas podem contribuir significativamente para a redução da evasão escolar e o aprimoramento do sistema educacional.