Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Συγκριτική αξιολόγηση αλγορίθμων μηχανικής εκμάθησης για την ανάπτυξη μοντέλων πρόβλεψης αποχώρησης πελατών

Lemontzoglou Xanthippi

Πλήρης Εγγραφή

---

Περίληψη

Με τη χρήση πραγματικών δεδομένων από εταιρεία τηλεπικοινωνιών και αλγορίθμων μηχανικής εκμάθησης αναπτύσσονται μοντέλα πρόβλεψης αποχώρησης πελατών. Οι αλγόριθμοι που επιλέγονται χρησιμοποιούν μάθηση υπό επίβλεψη (supervised learning) ώστε να έχουν τη δυνατότητα πρόβλεψης (prediction) μέσω ταξινόμησης (classification) των πελατών σε δύο κλάσεις, εν δυνάμει αποχωρησάντων ή μη. Ονομαστικά χρησιμοποιούνται λογιστική παλινδρόμηση, Bayes Νetwork (Bayesian αλγόριθμοι), Proximal SVM (αλγόριθμος μηχανών διανυσμάτων υποστήριξης), SimpleCART ( δέντρα απόφασης), Multilayer perceptron (τεχνητά νευρωνικά δίκτυα) , Διαφορικός εξελιγκτικός αλγόριθμος και 3 αλγόριθμοι που χρησιμοποιούν τα μεταθησιακά μοντέλα, Bagging , Random Forest (Bagging με randomization) και AdaBoostM1 (Boosting). Επιπρόσθετα, για την αξιολόγηση του ρόλου των μεταβλητών γίνονται τα παραπάνω πειράματα με σύνολα δεδομένων που προκύπτουν από τις μεθοδολογίες διαλογής μεταβλητών Chisquared, Infogain και Gainratio. Τα περιβάλλοντα υλοποίησης είναι Weka και Matlab. Η συγκριτική αξιολόγηση γίνεται από τη σκοπιά του customer analytics, κλάδο του business analytics. Στόχος να αξιολογηθούν τα μοντέλα ως προς την προβλεπτική τους ικανότητα ως προς τη χρήση τους στην ανάπτυξη στρατηγικών διαχείρισης απώλειας πελατών, ώστε να διαφυλάττεται η βιωσιμότητα και κερδοφορία της εκάστοτε επιχείρησης.

Διαθέσιμα αρχεία

Υπηρεσίες