دوره 20، شماره 4 - ( 12-1402 )                   جلد 20 شماره 4 صفحات 66-45 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

moradi B, Khalaj M, Taghizadeh Harat A. Improved Ensemble Learning Model by Swarm Intelligence for Mobile Subscribers’ Churn Prediction. JSDP 2024; 20 (4) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1344-fa.html
مرادی بیژن، خلج مهران، تقی زاده هرات علی. مدل یادگیری جمعی بهبود یافته با هوش ازدحامی جهت پیش‌بینی ریزش مشترکین تلفن همراه. پردازش علائم و داده‌ها. 1402; 20 (4) :45-66

URL: http://jsdp.rcisp.ac.ir/article-1-1344-fa.html


دانشگاه ازاد اسلامی واحد پرند و رباط کریم
چکیده:   (72 مشاهده)

از آنجا که در شرکتهای مخابرات همراه،هزینه حفظ مشتریان فعلی بسیار کمتر از هزینه جذب مشتریان جدید است، پیش‌بینی دقیق امکان ریزش هر یک از مشتریان و جلوگیری از آن امری ضروری می‌باشد. بنابراین، پژوهشگران روش‌های کارآمدی را با استفاده از ابزارهای داده‌کاوی و هوش مصنوعی برای شناسایی مشتریانی که قصد رویگردانی دارند ارائه کرده‌اند. در این مقاله، ما به منظور بهبود فرآیند پیش‌بینی ریزش مشتری، یک راهکار مؤثر مبتنی بر یادگیری جمعی را پیشنهاد می‌کنیم که در آن از الگوریتم بهینه‌سازی گرگ خاکستری، به منظور انتخاب ویژگی‌های مؤثر و همچنین تنظیم پارامترهای آزاد مدل پیشنهادی، استفاده شده است. سپس، به منظور ارزیابی عملکرد روش پیشنهادی، آن‌ را با استفاده از مجموعه داده IBM Telco شبیه‌سازی کرده و نتایج حاصل را به کمک معیارهای ارزیابی متداول شامل صحت، دقت، یادآوری، امتیاز F1 و AUC باسایر روش‌های مشابه مقایسه کرده‌ایم.نتایج بدست آمده برتری روش پیشنهادی بر سایر راهکارهای ارزیابی شده را نشان می‌دهد.
شماره‌ی مقاله: 4
متن کامل [PDF 1147 kb]   (27 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1401/8/3 | پذیرش: 1401/10/5 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.