ارائه روشی کارآمد مبتنی بر ترکیب الگوریتم بهینه سازی ملخ و طبقه بند ماشین بردار پشتیبان با هدف پیش بینی قصد خرید مشتریان آنلاین

با گسترش روزافزون تجارت الکترونیک و شدت یافتن رقابت میان فروشگاه های آنلاین، توانایی پیش بینی قصد خرید مشتریان به عنوان یکی از عوامل کلیدی در بهبود راهبردهای بازاریابی و افزایش فروش اهمیت ویژه ای یافته است. در این پژوهش روشی کارآمد برای پیش بینی قصد خرید مشتریان آنلاین ارائه شده است که بر پایه ترکیب الگوریتم بهینه سازی ملخ (Grasshopper Optimization Algorithm - GOA) و طبقه بند ماشین بردار پشتیبان (Support Vector Machine - SVM) شکل گرفته است. هدف اصلی ارتقای دقت طبقه بندی از طریق بهینه سازی موثر پارامترهای مدل SVM با استفاده از الگوریتم ملخ است. برای ارزیابی عملکرد روش پیشنهادی از مجموعه داده معتبر «Online Shoppers Purchasing Intention Dataset» استفاده شده که شامل ۱۲۳۳۰ نمونه و ۱۷ ویژگی مرتبط با رفتار بازدیدکنندگان وب سایت های فروشگاهی است. متغیر هدف در این مجموعه متغیر Revenue است که به صورت باینری وجود یا عدم وجود قصد (خرید) تعریف شده است. در مرحله پیش پردازش داده ها پاک سازی، نرمال سازی و کدگذاری شده اند و سپس مدل پیشنهادی آموزش دیده است. نتایج آزمایش ها نشان می دهد که روش ترکیبی GOA-SVM در مقایسه با سایر روش های رایج طبقه بندی مانند SVM، KNN و SVM بدون بهینه سازی عملکرد برتری در معیارهای ارزیابی نظیر دقت، F۱-Score، AUC داشته و می تواند به عنوان ابزاری موثر در تحلیل رفتار مشتریان و ارتقای تصمیم گیری های بازاریابی به کار گرفته شود.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، طبقه بندی ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی ملخ