Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύωνΠρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύωνCustomer churn prediction using neural nets Διπλωματική Εργασία Diploma Work 2023-12-212023elΗ απώλεια πελατών (customer churn) αντιπροσωπεύει ένα από τα κυριότερα προβλήματα που καλούνται να αντιμετωπίσουν οι επιχειρήσεις. Η παρούσα διπλωματική εργασία επικεντρώνεται στην εφαρμογή νευρωνικών δικτύων για την ανάπτυξη ενός μοντέλου πρόβλεψης πιθανής απώλειας πελατών (customer churn prediction), χρησιμοποιώντας μια συλλογή δεδομένων από την Kaggle. Η ανάλυση των δεδομένων πραγματοποιείται με τη χρήση του λογισμικού Orange Data Mining, μιας βιβλιοθήκης αλγορίθμων μηχανικής μάθησης που βασίζεται στη γλώσσα Python.Η αξιολόγηση της απόδοσης του μοντέλου διενεργείται με διάφορους συνδυασμούς υπερπαραμέτρων. Εξαιτίας της ανισορροπίας στην κατανομή των κλάσεων (imbalanced class) λόγω του μικρού αριθμού αποχωρούντων πελατών, προβαίνουμε σε τροποποιήσεις στη βάση δεδομένων με χρήση feature engineering μεθόδων, όπως το one-hot encoding και το MinMaxScaler. Περαιτέρω, χρησιμοποιούμε τεχνικές όπως το Random Oversampling, το Random Undersampling, το SMOTE και το SMOTE-ENN, παράγοντας βάσεις δεδομένων με διαφορετικές προσεγγίσεις.Η τελική επίδοση του μοντέλου εξελίσσεται σημαντικά με τη χρήση της τεχνικής SMOTE-ENN, επιτυγχάνοντας τιμές AUC ίσες με 0.963.Διπλωματική εργασία για την ολοκλήρωση των σπουδών στη σχολή Μηχανικών Παραγωγής και Διοίκησηςhttp://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςKontopanos_Emmanouil_Dip_2023.pdfChania [Greece]Library of TUC2023-12-21application/pdf1.2 MBfree Kontopanos Emmanouil Κοντοπανος Εμμανουηλ Tsafarakis Stelios Τσαφαρακης Στελιος Krasadaki-Mitsotaki Evangelia Κρασαδακη-Μητσοτακη Ευαγγελια Atsalakis Georgios Ατσαλακης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete Απώλεια πελατών Νευρωνικά δίκτυα Class imbalance problem