Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/B2846656-01EC-4FA3-BF41-EE918ED2BAEA | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.98405 | - |
| Γλώσσα | el | - |
| Μέγεθος | 64 σελίδες | el |
| Μέγεθος | 1.2 megabytes | en |
| Τίτλος | Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύων | el |
| Τίτλος | Customer churn prediction using neural nets | en |
| Δημιουργός | Kontopanos Emmanouil | en |
| Δημιουργός | Κοντοπανος Εμμανουηλ | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Tsafarakis Stelios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Τσαφαρακης Στελιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Krasadaki-Mitsotaki Evangelia | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Κρασαδακη-Μητσοτακη Ευαγγελια | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Atsalakis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ατσαλακης Γεωργιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περιγραφή | Διπλωματική εργασία για την ολοκλήρωση των σπουδών στη σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περίληψη | 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 |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2023-12-21 | - |
| Ημερομηνία Δημοσίευσης | 2023 | - |
| Θεματική Κατηγορία | Απώλεια πελατών | el |
| Θεματική Κατηγορία | Νευρωνικά δίκτυα | el |
| Θεματική Κατηγορία | Class imbalance problem | en |
| Βιβλιογραφική Αναφορά | Εμμανουήλ Κοντοπάνος, "Πρόβλεψη απώλειας πελατών με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023 | el |
| Βιβλιογραφική Αναφορά | 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
