پیش بینی آینده دانشی است که در دهه های پایانی قرن حاضر ، پدید آمده است و برخلاف شیوه های سنتی ، تاحدود زیادی بر اصول علمی تکیه دارد. استفاده از روشهایی برای پیش بینی وضعیت آینده، همواره دغدغه اصلی اندیشمندان علوم مختلف بوده است. در این راه بطور طبیعی، روشهایی، قابلیت ماندگاری و کاربردی مناسب دارند که دارای کمترین خطای ممکن در پیش بینی باشند .با توجه به اهمیت بالای آموزش عالی، چالش¬های موجود در این زمینه باعث شده که دست¬اندر کاران آموزش به دنبال روش¬هایی جهت شناسایی زودهنگام دانشجویان در معرض خطر و بهبود نرخ فارغ التحصیلی دانشجویان باشند. دراین پایان¬نامه به منظور بررسی عوامل موثر بر فارغ-التحصیلی دانشجویان از چهار مدل داده¬کاوی (شامل رگرسیون لجستیکی، درخت تصمیم، شبکه ی عصبی و مدل های جنگل تصادفی) استفاده شده است. سپس با بررسی کارکرد مدلها، در حوزه داد¬ه¬های مرتبط با پیش بینی فارغ¬التحصیلی، به انداز¬هگیری خطاهای پیش بینی این چهار روش پرداخته شده است. در حالت کلی مقایسه ها در دو حالت انجام شده است، در حالت اول هرکدام از روش ها بدون استفاده از نمونه برداری پیاده سازی شده و در حالت دوم با استفاده از نمونه برداری عمل شده است. با توجه به نتایج به دست آمده و علم به اینکه پارامتر دقت کلی مدل، مهمترین پارامتر برای ارزیابی این روش ها است، روش رگرسیون لجستیک در هر دو حالت دارای بالاترین دقت بود و گزینه مناسب برای پیش بینی فارغ التحصیلی دانشجویان می باشد. مدل رگرسیون لجستیک در رابطه با مجموعه داده ی دانشگاه نشان داد که gpa (معدل نمرات) ترم اول و دیپلم مهم ترین متغیرها هستند. بر اساس یافته های این مطالعه، موسسات می¬توانند از اطلاعات تحصیلی بخصوص داده¬های نیمسال اول در ایجاد مدل¬های داده¬کاوی استفاده کنند تا متغییرهای معنی داری را برای پیش¬بینی فارغ¬التحصیلی دانشجویان بیابند. نتایج برگرفته از تحلیل¬های داده¬کاوی در توسعه¬ی برنامه¬های مداخله¬ای برای کمک به موفقیت دانشجویان در دانشگاه¬ها قابل استفاده هستند. روش تحقیق بکار گرفته شده در این مقاله شیوه مقایسه بوده است.