Methodologie

Deze sectie legt per model uit hoe het werkt, waarom deze keuze is gemaakt en wanneer je de output kritisch moet beoordelen.

Verhouding tot de Radboud-implementatie

De methodologie op deze pagina's komt voort uit het model dat oorspronkelijk bij Radboud is ontwikkeld. Die productie-implementatie draait intern en is niet publiek toegankelijk; deze CEDA-versie is de publieke, generieke variant.

Concreet betekent dat:

• Modelkeuzes (features, parameters, ensemble-gewichten) zijn dezelfde als die in de Radboud-implementatie en worden hier per pagina onderbouwd.
• Radboud-specifieke configuratie (faculteitsnamen, programma-lijsten) is uit de gedeelde code gehaald en moet door elke instelling zelf worden ingevuld via configuration.json.
• Waar de aanpak afwijkt van een rechttoe rechtaan implementatie — bijvoorbeeld de vaste week-38 override voor 2021 — wordt dat expliciet vermeld.

Modellen in het ensemble

Model	Pagina	Rol in de pipeline
Individueel model (classifier + SARIMA)	Individueel model	End-to-end spoor: kans per student → geaggregeerde curve → extrapolatie naar week 38
SARIMA / ETS / Theta / AutoARIMA	Tijdreeksmodellen	Tijdreeksextrapolatie op basis van historische aanmeldpatronen
XGBoost classifier	XGBoost	Kans per individuele student dat deze zich inschrijft
XGBoost / Ridge / Random Forest	Regressiemodellen	Vertaling van vooraanmelders naar verwachte inschrijvingen
Ratio-model	Ratio-model	Eenvoudige historische ratio als referentiemodel
Ensemble	Ensemble	Gewogen combinatie van bovenstaande modellen
Benchmarks	Benchmarks	Vergelijking van alternatieve modellen

Het cumulatieve spoor is configureerbaar: via model_config.cumulative_timeseries en model_config.cumulative_regressor in de configuratie kies je welk tijdreeksmodel en welk regressiemodel wordt gebruikt.

Datasporen

flowchart LR
    SL["Studielink\ntelbestanden"] --> CUM["Cumulatief spoor\n(-d c)"]
    SIS["Osiris / Usis\nper-student"] --> IND["Individueel spoor\n(-d i)"]
    CUM & IND --> ENS["Ensemble\n(-d b)"]

De twee sporen zijn bewust onafhankelijk van elkaar ontworpen zodat instellingen die geen toegang hebben tot individuele aanmelddata toch een voorspelling kunnen maken via het cumulatieve spoor. Een end-to-end uitleg van het individueel spoor staat op Individueel model.

Welk model draait per modus?

Modus	SARIMA	XGBoost regr.	Ratio	Ensemble-samenvoeging
-d c	✅	✅	✅	❌ (twee losse kolommen)
-d i	✅	✅ (classifier)	❌	❌
-d b	✅	✅	✅	✅

Alleen in -d b worden SARIMA_individual en SARIMA_cumulative samengevoegd tot één Ensemble_prediction; in -d c blijven het twee losse outputkolommen en in -d i is er maar één spoor en dus niets om te combineren. Zie Ensemble voor de gewichtenlogica.

Cumulatief spoor: wekelijkse telbestanden → SARIMA-extrapolatie → XGBoost regressor → voorspelde studenten (demodata)

Individueel spoor: per-student records → XGBoost classifier → ΣP = verwacht cohort (demodata)

Aannames en beperkingen

• Het model extrapoleert op basis van historische patronen. Structurele breuken (bijv. nieuwe opleiding, COVID-jaar) worden niet automatisch gedetecteerd.
• Ensemble-gewichten worden bepaald op historische fouten; een model dat in het verleden goed presteerde krijgt meer gewicht, ook al is de situatie veranderd.
• De SARIMA-parameters zijn per opleiding gefixed. Bij opleidingen met weinig historische data is de modelfit minder betrouwbaar.

Dashboard-visualisatie

Na het opslaan van de resultaten genereert de pipeline een interactief Plotly-dashboard per modus. Het dashboard biedt grafieken per opleiding (voorspellingen, foutmaten, feature importance) en wordt opgeslagen als zelfstandig HTML-bestand onder data/output/visualisaties/. Zie Output begrijpen voor details.