Regresión Logística en Educación Superior

 Regresión Logística en Educación Superior.ipynb

Volver

Regresión Logística en Educación Superior

Características de la Regresión Logística en Educación Superior

Predicción de Éxito Académico: Podemos utilizar la regresión logística para predecir si un estudiante pasará o no un curso basándonos en factores como asistencia, calificaciones previas, participación en actividades, entre otros.

Análisis de Factores de Riesgo: Identificar factores que contribuyen significativamente al fracaso académico, como pueden ser la falta de acceso a recursos o problemas personales.

Personalización del Aprendizaje: Ayuda a diseñar intervenciones personalizadas para estudiantes en riesgo, basándose en la probabilidad de su éxito académico.

Dataset Ficticio para Educación Superior

Voy a crear un dataset ficticio con las siguientes columnas:

ID_Estudiante: Identificador único para cada estudiante.

Edad: Edad del estudiante.

Promedio_Calificaciones: Promedio de calificaciones hasta la fecha.

Asistencia: Porcentaje de asistencia a clases.

Participacion_Actividades: Indicador de participación en actividades extracurriculares (1 para sí, 0 para no).

Exitoso: Variable dependiente, indica si el estudiante pasó el año (1 para sí, 0 para no).

Creación del Dataset y Script en Python

Primero, crearé el dataset y luego te proporcionaré el enlace para descargarlo. Después, escribiré un script en Python para demostrar cómo se aplicaría la regresión logística a este dataset.

He creado un dataset ficticio para ilustrar la aplicación de la regresión logística en el contexto de la educación superior. Puedes descargar el dataset desde el siguiente enlace:

Descargar Dataset de Educación Superior

Ahora, vamos a crear un script en Python que utiliza este dataset para aplicar un modelo de regresión logística. El objetivo es predecir si un estudiante será "Exitoso" basándonos en sus características como edad, promedio de calificaciones, asistencia y participación en actividades.

Explorar y Visualizar Datos

Vamos a cargar el dataset, obtener un resumen estadístico, y visualizar las distribuciones de las variables.

Código para Exploración y Visualización:

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

 

# Cargar el dataset

df = pd.read_csv('/content/dataset_educacion_superior.csv')

 

# Resumen estadístico

print(df.describe())

 

# Visualización de las distribuciones de las variables independientes y la dependiente

sns.pairplot(df, hue='Exitoso')

plt.show()

 

RESULTADOS

      ID_Estudiante        Edad  Promedio_Calificaciones  Asistencia  \

count     100.000000  100.000000               100.000000  100.000000  

mean       50.500000   23.160000                 7.556246   83.986174  

std        29.011492    3.240277                 1.416127    8.792281  

min         1.000000   18.000000                 5.023477   70.351423  

25%        25.750000   21.000000                 6.438782   76.448763  

50%        50.500000   23.000000                 7.855542   83.321702  

75%        75.250000   26.000000                 8.588797   91.604272  

max       100.000000   29.000000                 9.994235   99.710168  

 

       Participacion_Actividades     Exitoso 

count                 100.000000  100.000000 

mean                    0.500000    0.360000 

std                     0.502519    0.482418 

min                     0.000000    0.000000 

25%                     0.000000    0.000000 

50%                     0.500000    0.000000 

75%                     1.000000    1.000000 

max                     1.000000    1.000000 

Preparar los Datos para el Modelo

Dividiremos los datos en características (X) y etiqueta (y), y luego en conjuntos de entrenamiento y prueba.

Código para Preparar los Datos:

from sklearn.model_selection import train_test_split

 

# Separar características y etiqueta

X = df.drop('Exitoso', axis=1)

y = df['Exitoso']

 

# Dividir en entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Entrenar el Modelo de Regresión Logística

Utilizaremos sklearn para entrenar el modelo.

Código para Entrenar el Modelo:

from sklearn.linear_model import LogisticRegression

 

# Crear el modelo de regresión logística

modelo = LogisticRegression()

 

# Entrenar el modelo

modelo.fit(X_train, y_train)

RESULTADOS

LogisticRegression

LogisticRegression()

 

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import classification_report, roc_curve, roc_auc_score

import matplotlib.pyplot as plt

import seaborn as sns

 

# Cargando el dataset

df = pd.read_csv('/content/dataset_educacion_superior.csv')

 

# Preparando los datos para el modelo

X = df[['Edad', 'Promedio_Calificaciones', 'Asistencia', 'Participacion_Actividades']]

y = df['Exitoso']

 

# División en entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

 

# Modelo de regresión logística

modelo = LogisticRegression()

modelo.fit(X_train, y_train)

 

# Coeficientes del modelo

coeficientes = pd.Series(modelo.coef_[0], index=X.columns)

 

# Predicciones y evaluación

y_pred = modelo.predict(X_test)

y_pred_proba = modelo.predict_proba(X_test)[:, 1]

reporte = classification_report(y_test, y_pred)

 

# Curva ROC

fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)

auc = roc_auc_score(y_test, y_pred_proba)

 

# Graficando los coeficientes

plt.figure(figsize=(8, 5))

sns.barplot(x=coeficientes.values, y=coeficientes.index)

plt.title('Coeficientes del Modelo de Regresión Logística')

plt.xlabel('Coeficiente')

plt.ylabel('Variables')

plt.show()

 

# Graficando la curva ROC

plt.figure(figsize=(8, 5))

plt.plot(fpr, tpr, label=f'AUC = {auc:.2f}')

plt.plot([0, 1], [0, 1], linestyle='--', color='red')  # Línea base

plt.title('Curva ROC')

plt.xlabel('Tasa de Falsos Positivos')

plt.ylabel('Tasa de Verdaderos Positivos')

plt.legend()

plt.show()

 

reporte, auc

RESULTADOS

precision recall f1-score support\n\n 0 0.75 0.95 0.84 19\n 1 0.83 0.45 0.59 11\n\n accuracy 0.77 30\n macro avg 0.79 0.70 0.71 30\nweighted avg 0.78 0.77 0.75 30\n', 0.8421052631578947

Realizar Predicciones y Evaluar el Modelo

Haremos predicciones y evaluaremos el modelo utilizando la matriz de confusión y el informe de clasificación.

Código para Predicciones y Evaluación:

from sklearn.metrics import confusion_matrix, classification_report

 

# Predicciones

y_pred = modelo.predict(X_test)

 

# Matriz de confusión

conf_matrix = confusion_matrix(y_test, y_pred)

print(conf_matrix)

 

# Informe de clasificación

print(classification_report(y_test, y_pred))

RESULTADOS

[[19  0]

 [ 6  5]]

              precision    recall  f1-score   support

 

           0       0.76      1.00      0.86        19

           1       1.00      0.45      0.62        11

 

    accuracy                           0.80        30

   macro avg       0.88      0.73      0.74        30

weighted avg       0.85      0.80      0.78        30

Visualizar la Frontera de Decisión

Para la visualización de la frontera de decisión, seleccionaremos dos variables para facilitar la visualización en un gráfico 2D.

Código para Visualizar la Frontera de Decisión:

import numpy as np

 

# Seleccionar dos variables para la visualización

X_train_2d = X_train[['Promedio_Calificaciones', 'Asistencia']]

 

# Re-entrenar el modelo con solo dos características

modelo_2d = LogisticRegression()

modelo_2d.fit(X_train_2d, y_train)

 

# Crear una malla para visualizar

x_min, x_max = X_train_2d.iloc[:, 0].min() - 1, X_train_2d.iloc[:, 0].max() + 1

y_min, y_max = X_train_2d.iloc[:, 1].min() - 1, X_train_2d.iloc[:, 1].max() + 1

xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01), np.arange(y_min, y_max, 0.01))

 

# Predecir sobre la malla

Z = modelo_2d.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

 

# Graficar la frontera de decisión

plt.contourf(xx, yy, Z, alpha=0.3)

plt.scatter(X_train_2d.iloc[:, 0], X_train_2d.iloc[:, 1], c=y_train, s=40, edgecolor='k')

plt.title('Frontera de Decisión')

plt.xlabel('Promedio_Calificaciones')

plt.ylabel('Asistencia')

plt.show()

RESULTADOS

Conclusiones

Identificación de Factores Clave:

La regresión logística ayuda a identificar los factores que más influyen en el éxito académico, como el promedio de calificaciones y la asistencia a clases. Esto es crucial para desarrollar estrategias enfocadas en mejorar estos aspectos.

Predicción de Riesgos Académicos:

El modelo puede predecir con cierta precisión qué estudiantes están en riesgo de no tener éxito. Esto permite intervenciones tempranas y personalizadas.

Información para Políticas Educativas:

Los resultados obtenidos pueden informar a los responsables de la formulación de políticas educativas sobre áreas críticas que requieren atención, como el apoyo a estudiantes con bajo rendimiento académico.

Base para la Personalización del Aprendizaje:

Los modelos predictivos como la regresión logística pueden ser la base para desarrollar enfoques de aprendizaje más personalizados, adaptándose a las necesidades y características de cada estudiante.

Reflexiones

Complejidad del Contexto Educativo:

La educación es un campo complejo influenciado por múltiples factores, tanto cuantitativos como cualitativos. Mientras que la regresión logística maneja bien los factores cuantitativos, es importante considerar también los aspectos cualitativos como el bienestar emocional y el entorno social del estudiante.

Limitaciones del Modelo:

La regresión logística asume una relación lineal entre las variables independientes y el logit de la variable dependiente. En la realidad, algunas de estas relaciones pueden ser más complejas.

Ética y Privacidad:

Al trabajar con datos de estudiantes, es fundamental considerar aspectos éticos y de privacidad. Los modelos predictivos deben utilizarse de manera responsable, asegurando la confidencialidad y el respeto a los derechos de los estudiantes.

Necesidad de Actualización y Validación Continua:

Los modelos deben actualizarse y validarse periódicamente para garantizar su relevancia y precisión, especialmente en un entorno educativo que está en constante evolución.

En resumen, la regresión logística es una herramienta poderosa en el ámbito de la educación superior para analizar datos y generar insights valiosos. Sin embargo, su aplicación debe ser cuidadosa, considerando tanto sus limitaciones como el contexto más amplio de la educación. Además, es crucial complementar estos análisis cuantitativos con enfoques cualitativos para obtener una comprensión más completa y matizada de los desafíos y oportunidades en la educación superior.

 Volver