توسعه یک طبقه بند یادگیری جمعی برپایه ماشین های بردار پشتیبان جهت مدل سازی رویگردانی مشتری
- سال انتشار: 1399
- محل انتشار: هفدهمین کنفرانس بین المللی مهندسی صنایع
- کد COI اختصاصی: IIEC17_047
- زبان مقاله: فارسی
- تعداد مشاهده: 548
نویسندگان
دکتری مهندسی صنایع، استادیار دانشکده مهندسی، پردیس فارابی، دانشگاه تهران
کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی، پردیس فارابی، دانشگاه تهران
چکیده
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
پیشبینی رویگردانی مشتری، آدابوست، ماشین بردار پشتیبان وزن دار، داده های نامتوازنمقالات مرتبط جدید
- کالیبراسیون مبتنی بر مقایسه قطعه با قطعه مرجع به جای ابزار مرجع (Master-Part)
- نقش واسطه ای IT و مدیریت یکپارچه زیست محیطی در ارتباط بین IT و عملکرد زیست محیطی– یک مطالعه موردی
- Application of Machine Learning and Deep Learning in Pancreatic Cancer Diagnosis: A Review
- Adoption of Artificial Intelligence in Small and Medium Manufacturing Enterprises: An HBR Perspective and a Human – Machine Collaboration Framework
- کاربرد شبکه های بیزین در مدیریت نگهداری و تعمیرات پیش بینانه: مطالعه ای موردی بر خطوط تولید شرکت سیمان تهران
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.