توسعه یک طبقه بند یادگیری جمعی برپایه ماشین های بردار پشتیبان جهت مدل سازی رویگردانی مشتری

سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 374

فایل این مقاله در 8 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IIEC17_047

تاریخ نمایه سازی: 12 اسفند 1399

چکیده مقاله:

هر ساله بخش عمده سود از دست رفته شرکت ها مربوط به رویگردانی مشتریان می شود. با توجه به رقابتی شدن بازار، تنوع محصولات و سرویس های ارائه شده به خصوص در صنعت مخابرات و همچنین ضرورت حفظ مشتری در مقایسه با جذب مشتری جدید، پیش بینی رویگردانی مشتریان اهمیت بیشتری پیدا کرده است. در این پژوهش، از تکنیک های طبقه بندی و الگوریتم های یادگیری جمعی به منظور دستیابی به یک پیش بینی دقیق استفاده شده است. مدل پیشنهادی این پژوهش از الگوریتم آدابوست بر پایه طبقه بند ماشین بردار پشتیبان وزن دار با استفاده از یک حاشیه متحرک در مراحل پیش بینی و به روز رسانی وزن نمونه ها تشکیل می شود. الگوریتم پیشنهادی نسبت به سایر الگوریتم های معمول این حوزه از چند طریق نتایج را بهبود داده است. اول، با توجه به نامتوازن بودن داده ها در هر تکرار به نمونه های کلاس اقلیت وزن بیشتری داده شده است. دوم، با کمک یک حاشیه متحرک فرضی و تخصیص وزن بیشتر به نمونه های اشتباه طبقه بندی شده خارج از حاشیه به نسبت فاصله از مرز، دقت بالاتری در نتایج حاصل شد. به منظور مقایسه نتایج الگوریتم پیشنهادی با سایر الگوریتم های معمول در این حوزه، از نتایج ۱۷ الگوریتم دیگر استفاده شد که نتایج به دست آمده در پنج معیار ارزیابی عملکرد صحت، بازخوانی، دقت، امتیاز اف و خطا، برتری عملکرد الگوریتم پیشنهادی را نشان می دهد.

کلیدواژه ها:

نویسندگان

شاهرخ اسدی

دکتری مهندسی صنایع، استادیار دانشکده مهندسی، پردیس فارابی، دانشگاه تهران

نگین گودرزی

کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی، پردیس فارابی، دانشگاه تهران