Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/B2846656-01EC-4FA3-BF41-EE918ED2BAEA | ||
| Έτος | 2023 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Εμμανουήλ Κοντοπάνος, "Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023 https://doi.org/10.26233/heallink.tuc.98405 | ||
| Εμφανίζεται στις Συλλογές |
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.
Copyright © DIAS 2013
