APLICACIÓN DEL ALGORITMO K-MEDOID PARA LA SEGMENTACIÓN DE LOS ALUMNOS INGRESANTES DE UNA UNIVERSIDAD.

Ledvir Chavez; Jesús Salinas

doi:10.47187/perf.v1i25.118

Autores/as

Ledvir Chavez Universidad Nacional Agraria la Molina, Facultad de Economía y Planificación, Departamento de Estadística e Informática, Lima, Perú.
Jesús Salinas Universidad Nacional Agraria la Molina, Facultad de Economía y Planificación, Departamento de Estadística e Informática, Lima, Perú.

DOI:

https://doi.org/10.47187/perf.v1i25.118

Palabras clave:

Perfil del ingresante, algoritmos de agrupamiento, segmentación, K-medoid

Resumen

Actualmente, en el área de educación superior se ha vuelto indispensable la gestión de los datos para la toma de decisiones académicas y la mejora de los procesos educativos, para ello la analítica y estadística han sido llevados al ámbito tecnológico, donde prima la automatización de procesos y la gestión de grandes bases de datos a través de algoritmos de Machine Learning, uno de los más utilizados son los algoritmos clustering, cuyo propósito es agrupar datos por similitud. El presente estudio tuvo como objetivo encontrar tipos de estudiantes universitarios respecto a sus variables sociodemográficas, económicas y de rendimiento académico, utilizando el algoritmo K-medoid en datos de alumnos ingresantes a la Universidad Nacional Agraria La Molina de Lima, Perú. Se pudo determinar que los ingresantes en estudio se pueden segmentar en 3 grupos, cada uno con características propias, lo que permitirá impulsar cambios a favor de la calidad educativa y promover la renovación de los espacios de enseñanza de manera personalizada en torno al tipo de estudiante que la universidad gestiona.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Arora P, Virmani D, Varshney S. Analysis of K-Means and K-Medoids Algorithm for Big Data. Procedia Computer Science. 2016; 78: 507-512. Disponible en: https://bit.ly/2s5X9xy.

Adams J, Hayunga D, Mansi S, Reeb D, Verardi V. Identifying and treating outliers in finance. Financial Management. 2019; 48(2): 345–384. Disponible en: https://cutt.ly/9hawFSN.

Acock A. A gentle introduction to Stata. 4th ed. College Station: Stata Press. 2014

Aggarwal C. An introduction to cluster analysis. In C. Aggarwal, C. Reddy (Eds.). Data clustering: Algorithms and applications (pp. 1-28). New York: CRC Press. 2014.

Bhat A. K-medoids clustering using partitioning aroud medoids for performing face recognition. International Journal of Soft computing, Mathematics and Control. 2014; 3(3): 1-12. Disponible en: https://cutt.ly/Hharh0H.

Boehmke B, Greenwell B. K-means Clustering. In Hands-On Machine Learning with R (pp. 399–416). 1st ed. New York: CRC Press. 2014. Disponible en: https://cutt.ly/KhaqBcJ.

Castro M. Factor principal que determina la deserción de los estudiantes del primer y segundo ciclo de una universidad privada de lima - campus lima centro, durante el periodo 2018 I – II [Tesis de maestría]. Perú: Universidad Tecnológica del Perú; 2019. Disponible en: https://n9.cl/157s.

Eckert K, Suénaga R. Aplicación de técnicas de Minería de datos al análisis de situación y comportamiento académico de alumnos de la UGD. In XV Worshop de Investigadores en Ciencias de la Computación. Argentina. 2013. Disponible en: https://bit.ly/2QSvppC.

Everitt B, Hothorn, T. Cluster analysis. In B. Everitt, T. Hothorn, An Introduction to Applied Multivariate Analysis with R (pp. 163–200). 1st ed. New York: CRC Press. 2011.

Fávero L, Belfiore P. Análise de agrupamentos. In Manual de análise de dados: Estatística e modelagem multivariada com Excel, SPSS e Stata (pp. 309–378). 1st ed. São Paulo: GEN. 2017.

Huang Z. Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery. 1998; 2: 283 - 304. Disponible en: https://bit.ly/2FMUgoH.

Hair J, Black W, Babin B, Anderson R. Multivariate data analysis. 8th ed. Ireland: Cengage Learning EMEA. 2018

Hartigan J, Wong M. Algorithm AS 136: A K-means clustering algorithm. Journal of the Royal Statistical Society. 1979; 28(1): 100-108. Disponible en: https://bit.ly/30jLpV1.

Irizarry R, Love M. Data analysis for the life sciences with R. 1st ed. United Kingdom: Chapman and Hall/CRC. 2016.

Janssen A, Wan P. K-means clustering of extremes. Electronic Journal of Statistics. 2020; 14(1): 1211–1233. Disponible en: https://cutt.ly/ihaupE6.

Kaufman L, Rousseeuw P. Partitioning around medoids (Program PAM). In Finding groups in data: An introduction to cluster analysis (pp. 68–125). 1st ed. New York: Wiley-Interscience. 1990.

Ketchen D, Shook C. The application of cluster analysis in strategic management research: An analysis and critique. Strategic Management Journal. 1996; 17(6): 441–458. Disponible en: https://cutt.ly/Whaq1Kh.

Loperfido N. Kurtosis-based projection pursuit for outlier detection in financial time series. The European Journal of Finance. 2020; 26(2–3); 142–164. Disponible en: https://cutt.ly/dhaq0Oc.

MacQueen J. Some methods for classification and análisis of multivariate observations. Proceedings of the Berkeley symposium on mathematical statistics and probability. 1967; 1: 281–297. Disponible en: https://cutt.ly/YhaubYD.

Malhotra N. Marketing research: An applied orientation. 7th ed. New York: Pearson. 2018.

Pandey P, Singh I. Comparision between K-mean clustering and improved K-mean clustering. International Journal of Computer Applications. 2016; 146(13): 39–42. Disponible en: https://cutt.ly/Shaq3uw.

Rai P, Singh S. A Survey of Clustering Techniques. International Journal of Computer Applications. 2010; 7(12): 1-5. Disponible en: https://cutt.ly/OhauJpX.

Raulji G. A Review on Fuzzy C-Mean Clustering Algorithm. International Journal of Modern Trends in Engineering and Research. 2014; 2(2): 751-754. Disponible en: https://bit.ly/2FSxewM.

Scoltock J. A survey of the literature of cluster analysis. The Computer Journal. 1982; 25(1), 130–134. Disponible en: https://cutt.ly/Ghaq8Rg.

Vallejo D. Clustering de documentos con restricciones de tamaño [Tesis de maestría]. España: Universidad Politécnica de Valencia; 2015. Disponible en: https://n9.cl/r2mjx.

Velmurugan T, Santhanam T. A comparative analysis between K-medoids and fuzzy C-means clustering algorithms for statistically distributed data points. Journal of Theoretical and Applied Information Technolog. 2011; 27: 19-29. Disponible en: https://bit.ly/3867V6o.

Wang W, Zhang Y. On fuzzy cluster validity indices. Fuzzy Sets and Systems. 2007; 158(19): 2095-2117. Disponible en: https://cutt.ly/DhaifXB.