研究文章
在描述分级方案向Explainability和Selectability Norm-Referenced成就
|
| 方法 |
特征 |
适用性 |
|
| k - means |
它重视星团内相似,每个学习者组内评分相似性。 |
(i)这种方法适用于同年级时总是应该由学习者密切相似的能力。 |
| (2)作为显示在图7,k - means也适合偏态分布和SD +和SD−数据集。 |
|
| 帕姆 |
PAM产生最和最不F组GPA的平均意味着学习者往往是高当分级与PAM。 |
帕姆也适合严重偏态分布SD +和SD−数据集作为显示在图7。 |
|
| 我们的算法 |
(i)与k - means相比,我们的算法重视intercluster不同,也就是说,成绩差距在不同群体的边界。 |
(我)方法是一个不错的选择,当不同等级应该区分学习能力划分。 |
| (2)我们的算法是友好不仅严重偏态分布(即。SD +和SD−)但也正常(即。(即,ND)和slightly-to-moderately倾斜分布。、RD−RD +, WD)。 |
(2)我们的算法通常是适合各种各样的数据分布。原因在于,我们的算法的策略是确定的分数差距,画出明确的界限的集群。 |
|
| z分数 |
(我)z得分方法忽视了集群的概念(dis)相似甚至参与范围的最好和最糟糕的分数在每个学习小组。 |
(我)应该使用这种方法当所有成绩应该包含同等分数范围。让我们考虑表10。C算法产生的范围从42级63.5分是相对比其他等级的分数范围更广泛。是避免这种情况的发生z分数的结果。换句话说,z在所有的成绩分数试图平衡分数范围。 |
| (2)z得分方法是不擅长处理norm-referenced分级一般主要是因为其操作忽视固有的原始分数差距。 |
(2)与其他方法不同的是,z分数方法建议分级分保存一些宽(即分裂。WD),因为z得分方法允许skippable成绩。 |
|
|
