کاربرد الگوریتم یادگیری عمیق در پیش بینی ماندگاری مشتریان همراه اول
- سال انتشار: 1401
- محل انتشار: چهارمین کنفرانس بین المللی پژوهش های نوین در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام
- کد COI اختصاصی: ICECM04_010
- زبان مقاله: فارسی
- تعداد مشاهده: 245
نویسندگان
کارشناسی ارشد مهندسی نرم افزار
چکیده
شبکه ی عصبی یکی از روش های متداولی است که به منظور توسعه پیش بینی ماندگاری مشتریان مورد مطالعه واقع شده است. یکی از معایب شبکه عصبی کاهش سرعت آموزش شبکه و از طرفی احتمال همگرا شدن نتایج آن است. در این پژوهش برای رفع مشکلات فوق روش یادگیری پس از انتشار خطا پیشنهاد شد و یا استفاده از الگوریتم پس از انتشار خطا، انتخاب ویژگی و مقادیر مناسب پارامترهای مدل پیش بینی به صورت هم زمان تعیین شده اند. در این پژوهش علاوه بر دخیل کردن تمام مولفه های مورد مطالعه در تحقیقات دیگر اثرات برخی مولفه های جدید (استفاده از فناوری های جدید، میزان استفاده از خدمات همراه اول، میزان نارضایتی مشتری) در این مطالعه لحاظ شده است. همچنین علاوه بر سنجش اثر مستقیم این فاکتورها بر ماندگاری مشتریان، اثر واسط های متغیر وضعیت مشتری نیز لحاظ شدند. یافته های پژوهش نشان داد روش بکه عصبی پس از انتشار خطا نتیجه بهتری نسبت به سایر مکانیزم های دسته بندی دارد. به عنوان نمونه مقادیر دقت پیش بینی روش شبکه عصبی پس از انتشار خطا برابر ۹۹/۷۸۳ درصد است در حالی که در روش k- نزدیک ترین همسایگی دقت پیش بینی برابر ۷۹/۳۶ درصد است. علت این افزایش در روش پیشنهادی فرایند یادگیری شبکه عصبی مصنوعی پس از انتشار خطا است که شامل فرستادن مقادیر ورودی به صورت پیش خور به داخل شبکه، و محاسبه اختلاف بین خروجی به دست آمده از شبکه با خروجی مطلوب نظیر در مجموعه داده های آموزشی می باشد.کلیدواژه ها
پیش بینی، ماندگاری مشتریان، شبکه عصبی پس از انتشار خطا، یادگیری عمیق، مکانیزم های دسته بندیمقالات مرتبط جدید
- نگاهی به نقش اقتصاد سیاسی ایران در مدیریت مصرف انرژی
- مقایسه روشهای نورتابی شیمیایی رادیکال *CH و *OH در استخراجپاسخ دینامیکی شعله جریان متقابل
- مطالعه عددی اثر تحریک جریان ورودی بر عملکرد یک انژکتور هممحور برشی تحت شرایط گذربحرانی
- مطالعه ساختار شعله متان هیدروژن در مشعل پیچشی سیدنی با استفاده از مدل احتراقی حجمی
- مطالعه تجربی اثر احتراق جریان چرخشی غیر پیش مخلوط بر پایداری، شدت تابش نور و دینامیک شعله پروپان - اکسیژن/هوا
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.