Predicting e-commerce revenue using machine learning and user behavior analysis
Makine öğrenmesi ve kullanıcı davranışı analizi kullanarak e-ticaret gelirini tahmin etmek
- Tez No: 940478
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Bu araştırmada, kişiselleştirilmiş çevrimiçi alışveriş davranışını araştırmak ve müşterilerin davranışlarını platformun amaçlarına göre açıklamak için karmaşıklık teorisi uygulandı. Çalışmada, gelişmiş makine öğrenimi modelleri değerlendirildi: Rastgele orman sınıflandırıcısı, XGBoost ve CatBoost sınıflandırıcısı, tahmine dayalı verimliliklerini belirlemek için. Rastgele orman sınıflandırıcısı %92,54 doğruluğa ulaştı ve her iki veri kümesinin doğru sınıflandırılması mükemmel performansını kanıtlıyor. XGBoost, karmaşık sınıflandırmayı tahmin etme yeteneğini vurgulayarak yaklaşık %93,14'lük bir doğruluk oranı sergiledi. Ayrıca CatBoost Sınıflandırıcının kategorik özellikleri ele almadaki mükemmelliği sayesinde sınıflandırıcı %92,8'lik bir doğruluğa ulaştı. Üç modelden elde edilen bilgileri entegre etmek için Yumuşak ve Sert Oylamayı içeren birleştirme tekniği uygulandı. Ağırlıklı konsensusta uygulanan Soft oylama yaklaşımı %93,04 doğruluk oranı yakalayarak 0,12 olasılık öngördü. Voting model_perf'in bu sonuca nasıl ulaştığı hakkında. Zorunlu oylama tekniği %93,16'lık bir doğruluğa ulaşmıştı. Sınıflandırıcıların karar verme sürecini göstermek ve öğrenme modellerinin anlaşılmasını artırmak için başta LIME ve SHAP olmak üzere açıklanabilir yapay zeka yaklaşımları kullanıldı. Bu araştırma, e-ticareti tanımlamada kullanılan makine öğrenimi modellerinin önemini ve dinamik ticaret alışverişinde pragmatik bir uygulamada kullanılan model şeffaflığının önemini aynı şekilde ortaya koydu.
Özet (Çeviri)
In this research, the complexity theory was applied to explore personalized online shopping behavior and elucidate customers' behavior on the platform's motives. The study assessed the advanced machine learning models: random forest classifier, XGBoost, and CatBoost classifier to ascertain their predictive efficiency. The random forest classifier attained 92.54% accuracy and true classification of both datasets proves its excellent performance. The XGBoost exhibited an accuracy rate of about 93.14% highlighting its ability to predict complex classification. Also, due to the CatBoost Classifier's excellence in dealing with categorical features, the classifier attained an accuracy of 92.8%. The ensembling technique was applied, comprising Soft and Hard Voting, to integrate the insights from the three models. The Soft voting approach, which applies in weighted consensus, had attained an accuracy of 93.04%, predicting 0.12 probability. On how the Voting model_perf reached this result . The hard voting technique had reached an accuracy of 93.16%. Explainable artificial intelligence approaches, particularly LIME and SHAP, were used to show the decision-making of the classifiers, boosting understanding the learning models. This research uniformly established the importance of the employed machine learning models in identifying e-commerce and the importance of model transparency used in a pragmatic application on the dynamic commerce exchange.
Benzer Tezler
- Predicting commercial intent of online consumers using machine learning techniques
Makine öğrenimi teknikler kullanılarak çevrimiçi tüketicilerin ticari niyetini tahmin etme
METE ALPASLAN KATIRCIOĞLU
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CEMAL OKAN ŞAKAR
- Location-allocation through machine learning for e-commerce logistic services
E-ticaret lojistik hizmetleri için makine öğrenimi yoluyla konum tahsisi
TAYYİP TOPUZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAMER DAĞ
- Satış adedini etkileyen değişkenlerin keşfi ve duyarlılık analizi uygulaması: E-ticaret örneği
Discovery of variables affecting the number of sales and application of sensitivity analysis: E-commerce example
RABİA AYDIN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ ÇALIŞIR
- Exploring customer segmentation in fashion e-commerce through machine learning techniques
Makine öğrenmesi teknikleri kullanarak moda e-ticaret sektöründe müşteri segmentasyonu
NAZLINUR MADENOĞLU
Yüksek Lisans
İngilizce
2025
Yönetim Bilişim SistemleriAbdullah Gül ÜniversitesiVeri Bilimi Ana Bilim Dalı
DOÇ. DR. FARUK GÜVEN
- Intelligent machine learning customer segmentation algorithm
Akıllı makine öğrenimi müşteri segmentasyonları algoritması
ALIA HAMED ALRAWI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. NAIM MAHMOOD MUSLEH AJLOUNI