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
- Machine-vision-based classification of cashew nuts using colour features
Kaju fıstığının renk özellikleri kullanılarak makine görme ile sınıflandırılması
GEOFREY PRUDENCE BAITU
Yüksek Lisans
İngilizce
2022
ZiraatOndokuz Mayıs ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. YEŞİM BENAL ÖZTEKİN
- Machine learning algorithms for predicting pandemic possibility based on common symptoms
Ortak belirtilere dayalı pandemi olasılığını öngörmek için makine öğrenim algoritmaları
MUSTAFA AHMED MUSTAFA AL-FATYAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm
Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması
BOĞAÇ OĞUZ TOĞAY
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT
- Finansal başarısızlık tahmininde makine öğrenmesi yöntemlerinin kullanımı: Türkiye'deki KOBİ'ler üzerine bir uygulama
Using machine learning methods in financial distress prediction: An application for SMEs in Turkey
YUSUF AKER
- Makine öğrenmesi sınıflandırma algoritmaları kullanılarak meme kanseri tahmini
Breast cancer estimation by using machine learning classification algorithms
FATİH BATI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PERİ GÜNEŞ