Analisi Predittiva del Successo Accademico: Un Approccio di Machine Learning

Il presente lavoro di tesi si propone di analizzare e prevedere il successo accademico degli studenti universitari, attraverso l'utilizzo del Grade Point Average (GPA), adottando un approccio di Machine Learning. La ricerca si è concentrata sul comprendere l'impatto delle abitudini di vita sulle performance. Il dataset è stato inizialmente sottoposto ad una fase di pre-processing e di Exploratory Data Analysis (EDA), per poi subire una fase di splitting in modo da agevolare il passaggio successivo di predizione. Per la fase di predizione sono stati usati tre algoritmi: Regressione Lineare Multipla, Random Forest Regressor, Support Vector Regression, questi ultimi due algortimi saranno poi rieseguiti a seguiti di Hyperparameter Tuning per sfruttarne a pieno il potenziale, Tutti i modelli sono stati valutati secondo le metriche di validazione R^2 e MSE. In conclusione i due modelli migliori sono stati sottoposti ad un'analisi statistica che ha decretato la Regressione Lineare Multipla.