Ga naar inhoud

Individueel model

Het individueel model voorspelt het verwachte cohortaantal door per individuele student een inschrijfkans te schatten en die kansen vervolgens te aggregeren tot een wekelijkse cumulatieve curve, die met SARIMA wordt geëxtrapoleerd naar week 38.

Dit is fundamenteel anders dan het cumulatieve spoor: in plaats van geaggregeerde wekelijkse telbestanden te modelleren, werkt dit spoor op per-student records uit Osiris/Usis. Dat geeft toegang tot persoonskenmerken (vooropleiding, herkomst, nationaliteit, …) die in geaggregeerde data verloren gaan.

Uitgebreide versie — Jupyter notebook

Een uitvoerbare versie van het classifier-deel met feature-engineering stap voor stap (lagged features, acceleration, exclusivity ratio) en feature importance op de demodata staat in notebooks/03_xgboost.ipynb.

Activeren

Het individueel model wordt geactiveerd via de -d (dataset) vlag:

studentprognose -d i -w 6 -y 2024   # alleen individueel spoor
studentprognose -d b -w 6 -y 2024   # individueel + cumulatief → ensemble

In de -d b (both) modus draait dit model parallel aan het cumulatieve spoor; de uitkomsten worden gecombineerd in het ensemble.

Pipeline op hoofdlijnen

flowchart TD
    A["Per-student records<br/>(Osiris / Usis)"] --> B["Preprocess<br/>(filtering, herkomst,<br/>deadlineweek)"]
    B --> C["XGBoost classifier<br/>P(inschrijving | features)"]
    C --> D["Aggregeer kansen per<br/>opleiding × herkomst × week"]
    D --> E["Cumulatieve curve<br/>(verwachte inschrijvingen<br/>tot voorspelweek)"]
    E --> F["SARIMA-extrapolatie<br/>naar week 38"]
    F --> G["SARIMA_individual<br/>(cohort-voorspelling)"]

    style C fill:#e3f2fd,stroke:#1976d2
    style F fill:#fff3e0,stroke:#f57c00
    style G fill:#e8f5e9,stroke:#388e3c

Twee modellen, elk met een eigen rol:

Stap Model Granulariteit Output
Classificatie XGBoost classifier Per student Inschrijfkans per individuele aanmelding
Extrapolatie SARIMA Per (opleiding × herkomst × examentype) Verwacht cohortaantal op week 38

De classifier vertaalt persoonskenmerken naar een kans. De SARIMA extrapoleert de op die kansen gebaseerde cumulatieve aanmeldcurve verder het jaar in — tot aan de inschrijfdeadline.

Stap 1 — Preprocessing

Voordat de classifier draait, wordt de ruwe per-student data gefilterd en verrijkt. De filterregels zijn bewust streng zodat het model alleen leert van vergelijkbare cases.

flowchart TD
    R["Ruwe Osiris/Usis records"] --> F1["Filter:<br/>Ingangsdatum 01-09 of 01-10"]
    F1 --> F2["Filter:<br/>Eerstejaars croho = 1<br/>Hogerejaars = 0<br/>BBC = 0"]
    F2 --> F3["Filter:<br/>Examentype ∈ {Bachelor,<br/>Master, Pre-master}"]
    F3 --> A1["Afleiden:<br/>Herkomst (NL / EER / Niet-EER)<br/>op basis van nationaliteit + EER"]
    A1 --> A2["Afleiden:<br/>Weeknummer uit datum"]
    A2 --> A3["Afleiden:<br/>Deadlineweek (week 17,<br/>Bachelor niet-NF)"]
    A3 --> A4["Afleiden:<br/>is_numerus_fixus,<br/>Sleutel_count per student"]
    A4 --> A5["Categorie-opschoning:<br/>kleine nationaliteiten →<br/>'Overig' (<100)"]
    A5 --> Out["Klaar voor classifier"]

Belangrijke afleidingen:

  • Herkomst — afgeleid uit nationaliteit + EER-vlag (Nederlandse → NL; overig EER → EER; rest → Niet-EER). Dit normaliseert kleine landverschillen tot drie hanteerbare groepen.
  • Deadlineweek — markeert week 17 voor reguliere Bachelors (HBO-deadline) zodat het model de aanmeldpiek vlak voor de deadline expliciet kan modelleren.
  • Sleutel_count — aantal aanmeldingen dat een student in dat jaar heeft gedaan. Hoog = student heeft meerdere opties; laag (vaak 1) = sterke commitment. Dit is de basis van het exclusivity-signaal.
  • is_numerus_fixus — flag voor opleidingen met selectie. Bij NF gelden andere deadlines (week 1–2) en is de inschrijfkans systematisch hoger.

Studenten van wie de aanmelding is ingetrokken vóór de voorspelweek krijgen label 0 (niet ingeschreven). Dat voorkomt dat het model trainingsdata uit de toekomst gebruikt: wat na de voorspelweek gebeurt mag de classifier niet zien.

Stap 2 — XGBoost classifier

Wat doet het?

Per individuele student wordt de kans op inschrijving geschat: \(P(\text{ingeschreven} \mid \text{features})\). De voorspelling is een waarschijnlijkheid tussen 0 en 1, geen harde label.

Waarom XGBoost?

De inschrijfkans hangt af van meerdere niet-lineair interacterende factoren:

  • Herkomst × Examentype — Niet-EER Masters gedragen zich anders dan NL Bachelors
  • Vooropleiding × Faculteit — bepaalde combinaties hebben historisch lage doorstroming
  • Sleutel_count × Week — een student met meerdere aanmeldingen vroeg in het jaar gedraagt zich anders dan eenzelfde profiel laat in het jaar

XGBoost vangt die interacties zonder dat ze expliciet als features hoeven te worden geconstrueerd, en is robuust bij de scheve klasseverdeling: de meeste vooraanmelders schrijven zich uiteindelijk wel in.

Features

Type Features Rationale
Numeriek Collegejaar, Sleutel_count, is_numerus_fixus Tijd, commitment, regelgevingsregime
Categorisch — persoon Nationaliteit, EER, Geslacht, Type vooropleiding Persoonskenmerken die historisch met inschrijfkans correleren
Categorisch — locatie Plaats / land / postcode (studieadres + geverifieerd adres + eerste vooropleiding) Geografische signalen — een aanmelder uit de regio schrijft zich vaker in dan een verre aanmelder
Categorisch — opleiding Examentype, Faculteit, Croho groepeernaam, Opleiding Opleidingsspecifieke baseline-kansen
Categorisch — timing Weeknummer, Deadlineweek Het moment in het jaar bepaalt de betekenis van een aanmelding
Cumulatief (optioneel) Gewogen vooraanmelders, Ongewogen vooraanmelders, Aanmelders met 1 aanmelding, Inschrijvingen (als ratio) Combineert per-student data met geaggregeerde cohortinformatie als beide bronnen beschikbaar zijn

Categorische features worden one-hot geëncodeerd. Onbekende categorieën in de testset worden genegeerd (handle_unknown="ignore") zodat een nieuwe nationaliteit of een nieuwe opleiding de pipeline niet breekt.

Training / test split

flowchart LR
    H["Historische jaren<br/>≥ min_training_year<br/>(standaard 2016)"] --> T["Train set"]
    P["Voorspeljaar"] --> X["Test set<br/>(weken ≤ voorspelweek)"]
    T --> M["XGBoost<br/>binary:logistic"]
    X --> M
    M --> Pr["P(inschrijving)<br/>per student"]
  • Train — alle historische jaren vanaf min_training_year (configureerbaar, standaard 2016), exclusief het voorspeljaar zelf.
  • Test — aanmeldingen uit het voorspeljaar tot en met de voorspelweek.
  • Vermijden van data leakage — intrekkingen na de voorspelweek worden uit de trainingsdata gefilterd; je mag niet weten wat na week w gebeurt als je voor week w voorspelt.
  • Backtest-modus — wanneer je een eerder jaar voorspelt (predict_year < max_year), worden zowel het voorspeljaar als het meest recente jaar uit de trainingsdata weggelaten. Anders zou het model toekomstige informatie zien die op het simulatie-moment nog niet bestond. Bij voorspellingen voor het meest recente jaar (predict_year == max_year) blijft alle historie tot dat jaar gewoon in de trainingsset.

Trainingsdata vóór min_training_year wordt bewust weggelaten omdat oudere cohorten een ander aanmeldgedrag vertonen (andere wettelijke kaders, andere studieduur, vóór de invoering van het BSA-regime).

Aannames

  • Historische patronen blijven gelden — het cohort van dit jaar gedraagt zich vergelijkbaar met eerdere cohorten op dezelfde features.
  • Intrekking = niet ingeschreven — studenten die hun aanmelding vóór de voorspelweek introkken tellen als label 0.
  • Eerstejaars-filter is correct — Is eerstejaars croho opleiding == 1 definieert de doelgroep. Hogerejaars en BBC-ontvangers (al ingeschreven elders) worden expliciet uitgesloten.

Welke features in de praktijk het zwaarst meewegen is per cohort verschillend; de gegroepeerde feature importance (één balk per oorspronkelijke kolom, ook na one-hot encoding) staat in het interactieve dashboard en als losse grafiek op de XGBoost-pagina. Zie XGBoost voor verdere technische details over de classifier (alternatieve modellen, configuratie).

Stap 3 — Aggregatie en SARIMA-extrapolatie

De classifier produceert een kans per student. Die kansen zijn nog geen cohortvoorspelling: ze beschrijven alleen de aanmelders die al binnen zijn. Studenten die in de resterende weken nog gaan aanmelden zitten er nog niet in.

De extrapolatie verloopt in twee substappen:

flowchart TD
    P["P(inschrijving) per student<br/>tot voorspelweek"] --> AGG["Sommeer per<br/>opleiding × herkomst × examentype × week"]
    AGG --> CURVE["Cumulatieve aanmeldcurve<br/>(week 39 t/m voorspelweek)"]
    CURVE --> SAR["SARIMA<br/>(historische jaren →<br/>seizoenspatroon)"]
    SAR --> EXG["+ exogeen:<br/>Deadlineweek<br/>(Bachelor / NF)"]
    EXG --> FUT["Forecast resterende weken<br/>tot week 38"]
    FUT --> END["SARIMA_individual:<br/>voorspeld eindtotaal"]
  1. Aggregatie — de individuele kansen worden gesommeerd per (opleiding × herkomst × examentype × week). De som van kansen is de verwachtingswaarde van het aantal inschrijvingen onder deze aanmelders.
  2. SARIMA-extrapolatie — op de geaggregeerde cumulatieve curve wordt SARIMA toegepast om de overige weken tot aan week 38 in te vullen. Voor Bachelor-opleidingen in deadlineweek-periodes wordt een aparte SARIMA-orderingsstrategie gebruikt; zie SARIMA.

Het eindresultaat is een cohortvoorspelling per (opleiding × herkomst × examentype): de kolom SARIMA_individual in de output.

Wanneer vertrouw je het individueel model?

Het individueel model is sterk wanneer:

  • Persoonskenmerken een rol spelen — bijv. een opleiding waarbij vooropleiding of herkomst sterk bepalend is voor doorstroming. De classifier benut deze informatie expliciet.
  • De aanmelddata vroeg in het jaar al rijk is — bij veel vroege aanmelders krijgt de classifier meer signaal en is de extrapolatie korter.
  • Numerus fixus-opleidingen — bij NF wordt vroeg in het jaar al duidelijk wie kans maakt; persoonskenmerken zijn daar extra informatief.

Wanneer vertrouw je het niet?

  • Nieuwe opleiding zonder historie — de classifier heeft geen vergelijkbare cohorten gezien.
  • Beleidsbreuken — wijziging in toelatingseisen of BSA-regels maakt historische gedragspatronen onvergelijkbaar.
  • Sterk afwijkende cohortcompositie — bijv. na een internationale-marketingcampagne die de Niet-EER instroom verandert: de classifier ziet een feature-mix waar nauwelijks trainingsdata voor is.
  • Weinig aanmelders tot dusver — zowel classifier (weinig test-records) als SARIMA (lange extrapolatie) verliezen betrouwbaarheid.
  • Eerste run zonder ensemble-gewichten — in de -d b modus krijgt het individueel model dan het default-gewicht; pas na een volledig studiejaar zijn de gewichten zinvol geoptimaliseerd.

Relatie tot andere modellen

Model Gebruikt door individueel spoor? Hoe
XGBoost classifier Ja Kernmodel — voorspelt P(inschrijving) per student
SARIMA Ja Extrapoleert de geaggregeerde curve naar week 38
XGBoost regressor Nee Alleen in het cumulatieve spoor
Ratio-model Nee Alleen in het cumulatieve spoor, vergelijkingsbaseline in het ensemble
Ensemble Indirect Gewogen combinatie van SARIMA_individual met SARIMA_cumulative (alleen -d b)

In de -d i modus is SARIMA_individual direct de eindvoorspelling. In de -d b modus wordt het gecombineerd met SARIMA_cumulative via configureerbare ensemble-gewichten — zie Ensemble.

Implementatie

Bestand Inhoud
src/studentprognose/strategies/individual.py IndividualStrategy — orkestreert preprocessing, classificatie, aggregatie, SARIMA-aanroep
src/studentprognose/models/xgboost_classifier.py predict_applicant — XGBoost classifier (train + predict)
src/studentprognose/models/sarima.py predict_with_sarima_individual — extrapolatie op geaggregeerde curve
src/studentprognose/data/transforms.py Cumulatieve sommen, pivots tussen long en wide format