Áp dụng mạng Bayes xây dựng mô hình dự đoán xác suất có điều kiện phức hợp

Các giải pháp Học máy nhằm hỗ trợ ra quyết định ngày càng được hoàn thiện với sự phát triển của các mạng học sâu. Tuy nhiên, các mạng này chỉ hoạt động chính xác khi vector dữ liệu đầu vào là đầy đủ. Đối với dữ liệu không đầy đủ, các mô hình xác suất có điều kiện trở nên hữu dụng hơn các mạng học sâu. Bài báo này giới thiệu mạng Bayes, một giải pháp sơ cấp để dự đoán xác suất trong các điều kiện phức hợp, làm tiền đề cho ứng dụng thứ cấp là phân loại, dự đoán hay ra quyết định. Mạng Bayes cũng được huấn luyện dựa trên dữ liệu đầu vào, qua đó xác định được sự phụ thuộc hay độc lập của các trường dữ liệu. Bài báo sẽ sử dụng dữ liệu về hoàn cảnh sinh viên nhằm ước lượng các xác suất liên hệ giữa các trường hoàn cảnh và khả năng bỏ học của sinh viên.

Bài báo này hướng đến các nhà nghiên cứu, học giả và chuyên gia trong lĩnh vực học máy, khoa học dữ liệu, và giáo dục, đặc biệt là những người quan tâm đến việc ứng dụng các mô hình dự đoán để phân tích dữ liệu sinh viên và cải thiện công tác hỗ trợ, quản lý sinh viên tại các cơ sở giáo dục đại học.

Bài báo này tập trung vào việc ứng dụng mạng Bayes để xây dựng mô hình dự đoán xác suất có điều kiện phức hợp, đặc biệt hữu ích trong các trường hợp dữ liệu không đầy đủ, nơi các mạng học sâu truyền thống có thể không hiệu quả. Mạng Bayes, dựa trên lý thuyết xác suất có điều kiện và mô hình đồ thị xác suất, cho phép xác định mối quan hệ phụ thuộc hoặc độc lập giữa các biến ngẫu nhiên. Nghiên cứu này sử dụng dữ liệu về hoàn cảnh của sinh viên tại Trường Đại học Duy Tân, bao gồm 9 trường thông tin như điểm đầu vào, sức khỏe, mức độ vắng học, tình trạng việc làm, kinh tế gia đình, số lượt tham gia cố vấn học tập, khoảng cách từ nhà đến trường, điểm trung bình và khả năng bỏ học. Dữ liệu được chuẩn hóa và chuyển đổi để xây dựng mô hình. Mạng Bayes được huấn luyện trên Google Colab bằng Python và thư viện PGM, sau đó được kiểm chứng về sự độc lập giữa các biến sự kiện. Kết quả cho thấy mô hình mạng Bayes hiệu quả trong việc phân tích các mối quan hệ giữa các yếu tố tác động lẫn nhau và dự đoán khả năng bỏ học của sinh viên. Đặc biệt, mô hình có khả năng xử lý tốt dữ liệu thiếu hụt và vẫn đưa ra các kết quả xác suất hợp lý, đồng thời có thể suy luận ngược để tìm nguyên nhân tác động. Các kết luận cụ thể chỉ ra rằng điểm trung bình thấp là nguyên nhân chính dẫn đến khả năng bỏ học cao, trong khi các yếu tố như kinh tế gia đình hoặc có việc làm ít ảnh hưởng hơn.