توسعه یک سیستم تشخیص مشتری تلفیقی مبتنی بر درخت رگرسیونی هرس شده و شبکه عصبی بهبود یافته

در دنیای رقابتی امروزی، شیوه های جذب مشتری یک از با اهمیت ترین حوزه های کاربردی داده کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش بینی رفتار خرید مشتری است. زیرا ، پیش بینی خوب می تواند به توسعه استراتژی های بازاریابی دقیق تر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری (CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. به علاوه ، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش بینی خوبی را داشته باشد . از اینرو ، مقصود این مقاله ، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است . نوآوری مدل HCRS ، هم طراحی و هم پیاده سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبود یافته (IFFNN) جهت افزایش سرعت ، دقت و کاهش پیچیدگی را شامل می شود. از آنجایی که ، شناسایی مشتریان یکی از دغدغه های صنعت بیمه است ، از داده های یک شرکت بیمه هلندی استفاده شده است . نتایج نشان داد که HCRS تنها 7٪ از ویژگی ها را در حالت بهینه انتخاب می کند که به میزان قابل توجهی هزینه محاسبات را کاهش می دهد. به علاوه ، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش بینی های دقیقتری را ارائه می کند.

کلیدواژه ها:

انتخاب ویژگی ، پیش بینی ، درخت گرسیونی هرس شده ، سیستم تشخیص مشتری ، شبکه عصبی بهبود یافته