افزایش کارایی سیستم در پیش بینی ریزش مشتریان با ترکیب روش انتخاب ویژگی مبتنی بر نهنگ و ترکیب طبقه بند مبتنی بر ژنتیک
- سال انتشار: 1402
- محل انتشار: سومین کنفرانس ملی تحقیقات نوین در مهندسی برق و کامپیوتر
- کد COI اختصاصی: ECIT03_072
- زبان مقاله: فارسی
- تعداد مشاهده: 157
نویسندگان
دانشجوی کارشناسی ارشد گروه مهندسی برق و کامپیوتر، واحد مبارکه، دانشگاه آزاد اسلامی مبارکه، اصفهان، ایران
استادیارگروه مهندسی برق و کامپیوتر، واحد مبارکه، دانشگاه آزاد اسلامی مبارکه، اصفهان، ایران
چکیده
کاهش مشتریان، که به عنوان جذب مشتری یا ترک مشتری شناخته می شود، به پدیده اشاره دارد کا مشتریان از کسب وکار منصرف می شوند یا اشتراک و عضویت خود را لغو می کنند. این اتفاق زمانی رخ می دهد که مشتریان دیگر ارزشی در محصولات یا خدماتی که توسط شرکت ارائه می شود نمی بینند و تصمیم به قطع رابطه با آن ها می گیرند. دلیل اصلی ریزش، عدم رضایت از خدمات مصرف کننده و سیستم پشتیبانی است. کلید باز کردن قفل راه حل های این مشکل با پیشبینی مشتریانی است که در معرض خطر ریزش هستند. در این پژوهش جهت پیشبینی ریزش مشتریان از یک فرآیند چندمرحله ای شامل: پیش پردازش، استخراخ ویژگی توسط الگوریتم نهنگ و عملیات طبقه بندی که از روش ترکیب طبقه بندهای ماشین باردار پشتیبان، نزدیک ترین همسایه و درخت تصمیم است با استفاده ازالگوریتم ژنتیک انجام گردیده است. پارامترهای ارزیابی مورداستفاده در این پژوهش شامل معیارهای دقت، صحت، فراخوان و معیار Fمی باشد که به ترتیب مقادیر ۸۵.۵ - ۸۷.۲۴ - ۹۵.۳۵-۹۱.۱۱ را به دست آورده است. نتای[ آزمایش ها نشان داد که دقت روش پیشنهادی نسبت به دیگر روش های بیان گردیده در مقاله ی مرجاع بالاتر می باشد. دلیل برتری روش پیشنهادی ابتدا به الگوریتم استخراج ویژگی مربوط می باشدکلیدواژه ها
ریزش مشتریان، استخراج ویژگی، انتخاب ویژگی، طبقه بندی، الگوریتم نهنگ، الگوریتم جستجوی گرانشیمقالات مرتبط جدید
- بررسی عددی تاثیر لایه مرزی بر عملکرد انتقال حرارت و افت فشار در مبدل های حرارتی
- Quantitative Insights into G Protein Signaling: A Review of Recent SPR Methodologies and Discoveries
- استفاده از دو الگوریتم رمزنگاری AES و DES در راستای افزایش امنیت اطلاعات در شبکه های حسگر بیسیم
- پیشنهاد الگوریتم های بهینه سازی برای طراحی گراف های پیچیده با استفاده از شبکه های مولد (GAN)
- طراحی و ارزیابی مدل های تحلیلی برای تسریع فرایند های تصمیم گیری در تحلیل داده های بزرگ به کمک تکنیک یادگیری ماشین
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.