| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Telekomunikācijas |
| Nosaukums |
Inovatīvas metodes klientu atbiruma prognozēšanā |
| Nosaukums angļu valodā |
Innovative Methods in Forecasting Customer Churn |
| Struktūrvienība |
13100 Telekomunikāciju institūts |
| Darba vadītājs |
Irina Kļevecka |
| Recenzents |
E.Lipenbergs |
| Anotācija |
Klientu atbirums vēl joprojām ir nozīmīga problēma, no kuras cieš visas industrijas, īpaši telekomunikācijas, kuru pamatā ir abonēšanas pakalpojumi. Telekomunikāciju operatori vienmēr ir meklējuši labākās metodes, kā noteikt un apturēt klientu samazināšanos agrīnā stadijā. Pēdējā laikā mašīnmācīšanās algoritmi ir guvuši popularitāti, lai pildītu šo uzdevumu izrietošās efektivitātes un precizitātes dēļ. Šajā darbā ir radīts hibrīds mašīnmācīšanās modelis, lai paredzētu klientu atbirumu telekomunikāciju industrijā. Modelis apvieno labākās īpašības no diviem galvenajiem klasifikācijas algoritmiem: XGBoost un neironu tīkliem.
Ir izveidotas divas jaunas modeļa variācijas, un to veiktspēja tika salīdzināta pret vairākiem citiem algoritmiem, tostarp XGBoost un neironu tīkliem. Lai iegūtu vislabāko no salīdzināšanā izmantotajiem modeļiem, tika izmantotas divas secīgu pazīmju noteikšanas metodes, lai atlasītu labāko funkciju apakškopu katram pētāmajam modelim. Hibrīda modeļa aktivizācijas funkcija tika mainīta, lai noskaidrotu, kura funkcija vislabāk izpilda modeli.
Salīdzinājums parādīja, ka jaunais hibrīdmodelis tā divās variācijās dod labākos rezultātus visos pētāmajos rādītājos un ka XGBoost algoritms ir labākais atsevišķais algoritms no apskatītajiem. Hiperparametru optimizācija parādīja, ka modeļa precizitāte var tikt uzlabota izmantojot ELU funkciju kā aktivizācijas funkciju un ka modelis var sniegt labākus rezultātus, ja tas ir ieviests izmantojot Tanh funkciju. |
| Atslēgas vārdi |
klientu atbirums, mašīnmācīšanās, XGBoost, neironu tīkli, izlases meži, loģistiskā regresija, iezīmju atlase |
| Atslēgas vārdi angļu valodā |
customer churn, machine learning, XGBoost, neural network, random forest, logistic regression, features selection |
| Valoda |
eng |
| Gads |
2021 |
| Darba augšupielādes datums un laiks |
29.05.2021 18:51:41 |
