Lojistik regresyon, k-en yakın komşu, karar ağacı ve rastgele orman yöntemleri kullanılarak müşteri kaybı tahmin analizi
Customer churn prediction analysis using logistic regression, k-nearest neighbors, decision tree and random forest
- Tez No: 970950
- Danışmanlar: PROF. DR. MÜNEVVER TURANLI
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Ticaret Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Müşteri kaybı tahminleri (CCP) ve bunların kapsamlı analizi, son beş yılda Makine Öğrenimi (ML) teknolojilerindeki ilerlemeler sayesinde küresel telekomünikasyon sektöründe yaygın hale gelmiştir. Buna ek olarak, müşteri bağlılığını artırmak amacıyla CCP uygulamalarında Yapay Zekâ (AI) ve ML tabanlı tahmine dayalı yöntemler kullanılmaktadır. Bu tahmine dayalı CCP metodolojisi, müşteri yönetim süreçlerini kolaylaştırarak sürdürülebilir kâr artışını sağlamaktadır. Makine öğrenimi modelleri, çeşitli bilgi türleri açısından zengin verilerden elde edilen özellikleri belirlemeye odaklanmaktadır. Bu çalışma, belirli bir Telekom şirketinin müşteri veri kümesini analiz etmek için Lojistik Regresyon (L.R.), k-En Yakın Komşu (k-NN), Karar Ağacı (D.T.) ve Rastgele Orman (R.F.) gibi ML yöntemlerini kullanarak CCP analizini gerçekleştirmektedir. Çalışmada UCI İran Telekom müşteri kaybı veri kümesi kullanılmış ve müşteri kaybına yol açan potansiyel faktörlerin etkisi de değerlendirilmiştir. Sonuçlar, ayarlanmış (tuned) RF yönteminin en iyi sonuçları verdiğini göstermektedir. Müşteri kaybı eğilimi analizi, 0.9562 doğruluk oranı ile 0.9042 AUC skoruna ulaşmıştır. Veri kümesinde müşteri kaybını en fazla etkileyen faktörün“Şikayetler”olduğu belirlenirken, en az etkili faktörün ise“Tarife Planı”olduğu tespit edilmiştir.
Özet (Çeviri)
Customer churn predictions (CCP) and their comprehensive analysis have become prevalent in the global telecom industry over the last five years, driven by advancements in Machine Learning (ML) technologies. In addition, AI (Artificial Intelligence) and ML-based predictive methods are currently employed for CCP applications to enhance customer retention. This predictive CCP methodology streamlines customer management processes and ensures sustainable profit growth. The machine learning models focus on identifying features derived from data that is rich in various types of information. This study analyzes CCP for a specific telecom company's customer dataset using ML methods such as Logistic Regression (L.R.), k-Nearest Neighbors (k-NN), Decision Tree (D.T.), and Random Forest (R.F.). The UCI Iranian telecom churn dataset was utilized, and the influence of potential factors leading to customer churn was also considered. Results show that the tuned RF method yielded the best outcomes, with churn tendency analysis achieving a higher AUC score at 0.9042 with the accuracy of 0.9562. The most important feature of the dataset effecting the customer churn was identified as Complains whereas the least important feature happened to be Tariff Plan.
Benzer Tezler
- Protein fragment selection using machine learning
Makine öğrenmesi ile protein parçacık seçimi
ALPEREN EMRE ULUTAŞ
Yüksek Lisans
İngilizce
2018
Abdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Benign ve malign renal kitlelerin bilgisayarlı tomografi kantitatif yapısal analiz ile ayrımı
Differentiation of benign and malign renal masses by quantitative computed tomography texture analysis
ÇAĞRI ERDİM
- Yaygın sınıflandırıcıların Scikit-learn, Weka ve Matlabaraçları ile Twitter spam tespitinde karşılaştırılması
Comparing common classifiers for twitter spam detection in Scikit-learn, Weka and Matlab
ANIL DÜZGÜN
- Makine öğrenmesi teknikleri ile tahsilat davranışı tahmini: telekomünikasyon sektörü örneği
Prediction of debt collection behaviour with machine learning techniques: A case study on telecommunication company customers
ELİF EKİZ
Yüksek Lisans
Türkçe
2019
İstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Bunamanın erken tanısı için tıbbi görüntüleme ve görüntü işleme tekniklerinin kullanılması
The use of medical imaging and image processing techniques for early detection of dementia
GÖKÇE UYSAL
Yüksek Lisans
Türkçe
2019
İstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
Yükleniyor...