Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/B2846656-01EC-4FA3-BF41-EE918ED2BAEA | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.98405 | - |
| Language | el | - |
| Extent | 64 σελίδες | el |
| Extent | 1.2 megabytes | en |
| Title | Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύων | el |
| Title | Customer churn prediction using neural nets | en |
| Creator | Kontopanos Emmanouil | en |
| Creator | Κοντοπανος Εμμανουηλ | el |
| Contributor [Thesis Supervisor] | Tsafarakis Stelios | en |
| Contributor [Thesis Supervisor] | Τσαφαρακης Στελιος | el |
| Contributor [Committee Member] | Krasadaki-Mitsotaki Evangelia | en |
| Contributor [Committee Member] | Κρασαδακη-Μητσοτακη Ευαγγελια | el |
| Contributor [Committee Member] | Atsalakis Georgios | en |
| Contributor [Committee Member] | Ατσαλακης Γεωργιος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Production Engineering and Management | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Description | Διπλωματική εργασία για την ολοκλήρωση των σπουδών στη σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Content Summary | Η απώλεια πελατών (customer churn) αντιπροσωπεύει ένα από τα κυριότερα προβλήματα που καλούνται να αντιμετωπίσουν οι επιχειρήσεις. Η παρούσα διπλωματική εργασία επικεντρώνεται στην εφαρμογή νευρωνικών δικτύων για την ανάπτυξη ενός μοντέλου πρόβλεψης πιθανής απώλειας πελατών (customer churn prediction), χρησιμοποιώντας μια συλλογή δεδομένων από την Kaggle. Η ανάλυση των δεδομένων πραγματοποιείται με τη χρήση του λογισμικού Orange Data Mining, μιας βιβλιοθήκης αλγορίθμων μηχανικής μάθησης που βασίζεται στη γλώσσα Python.Η αξιολόγηση της απόδοσης του μοντέλου διενεργείται με διάφορους συνδυασμούς υπερπαραμέτρων. Εξαιτίας της ανισορροπίας στην κατανομή των κλάσεων (imbalanced class) λόγω του μικρού αριθμού αποχωρούντων πελατών, προβαίνουμε σε τροποποιήσεις στη βάση δεδομένων με χρήση feature engineering μεθόδων, όπως το one-hot encoding και το MinMaxScaler. Περαιτέρω, χρησιμοποιούμε τεχνικές όπως το Random Oversampling, το Random Undersampling, το SMOTE και το SMOTE-ENN, παράγοντας βάσεις δεδομένων με διαφορετικές προσεγγίσεις.Η τελική επίδοση του μοντέλου εξελίσσεται σημαντικά με τη χρήση της τεχνικής SMOTE-ENN, επιτυγχάνοντας τιμές AUC ίσες με 0.963. | el |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2023-12-21 | - |
| Date of Publication | 2023 | - |
| Subject | Απώλεια πελατών | el |
| Subject | Νευρωνικά δίκτυα | el |
| Subject | Class imbalance problem | en |
| Bibliographic Citation | Εμμανουήλ Κοντοπάνος, "Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023 | el |
| Bibliographic Citation | Emmanouil Kontopanos, "Customer churn prediction using neural nets", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2023 | en |
Copyright © DIAS 2013
