Churn prediction with ensemble classifiers for telecom sectors
| dc.authorid | 0000-0002-0632-7800 | en_US |
| dc.authorid | 0000-0001-6444-6659 | en_US |
| dc.contributor.author | Mohamed, Faiza Hassan | |
| dc.contributor.author | Kasapbaşı, Mustafa Cem | |
| dc.date.accessioned | 2021-11-02T11:42:27Z | |
| dc.date.available | 2021-11-02T11:42:27Z | |
| dc.date.issued | 2021 | en_US |
| dc.department | Fakülteler, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü | en_US |
| dc.description.abstract | Churn Prediction has been implemented in the researches and published works using different advanced mechanisims including Machine Learning, Data Mining, and Hybrid mechanism. These mechanisms support big companies and small businesses to classify and predict churning customers to be able retaining them to stay with their company using their services. Also, helps top managers and decision makers to take reliable decisions and Customer Relation Management CRM department too. In this study, a telecom sector churn dataset named Orange is used for customer churn prediction. Ensemble classifiers are used AdaBoostM1, PCA, Gain Ratio, Info Gain, Bagging in combination with J4.8, Naïve Bayes, Logistic Regression, Random Forest, KNN, LMT (Logistic model Tree). Highest accuracy of %94 is obtained by combination of bagging and J4.8. The results are compared with other studies as well and this study performed as good as the surveyed literature and surpassed in same cases. | en_US |
| dc.description.abstract | Literatürde, Makine Öğrenimi, Veri Madenciliği ve Hibrit teknikleri gibi farklı teknikler kullanılarak Ayrılma/Çalkalanma Tahmini gerçekleştirilmiştir. Bu teknikler, şirketleri ve işletmeleri, hizmetlerini kullanarak şirketlerinde kalabilmeleri için müşterileri belirleme ve tahmin etme ayrıca ayrılan müşteri konusunda destekler. Üst düzey yöneticilerin ve karar vericilerin güvenilir kararlar almasına ve Müşteri İlişkileri Yönetimi (CRM ) departmanına da yardımcı olur. Bu çalışmada, müşteri kaybını tahmin etmek için Orange adlı bir telekom sektörü ayrılan müşteri veri seti kullanılmıştır. Topluluk sınıflandırıcıları AdaBoostM1, PCA, InfoGain, Gain Ratio, Bagging ile birlikte J4.8, Naive Bayes, Lojistik Regresyon, Rastgele Orman, KNN, LMT (Lojistik model Ağacı) sınıflandırıcıları kombinasyonları ile birlikte kullanılır. Torbalama ve J4.8 kombinasyonu ile en yüksek % 94 doğruluk elde edilir. Sonuçlar diğer çalışmalarla da karşılaştırılmış ve bu çalışma araştırılan literatür kadar iyi performans göstermiş ve bazı vakalarda daha başarılı olduğu görülmüştür. | en_US |
| dc.identifier.endpage | 118 | en_US |
| dc.identifier.issue | 1 | en_US |
| dc.identifier.startpage | 109 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11467/5064 | |
| dc.identifier.volume | 4 | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | İstanbul Ticaret Üniversitesi | en_US |
| dc.relation.ispartof | Journal of Technologies and Applied Sciences | en_US |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - İdari Personel ve Öğrenci | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Churn Prediction | en_US |
| dc.subject | KNN | en_US |
| dc.subject | LMT | en_US |
| dc.subject | CRM | en_US |
| dc.subject | PCA | en_US |
| dc.subject | Ayrılama Tahmini | en_US |
| dc.title | Churn prediction with ensemble classifiers for telecom sectors | en_US |
| dc.title.alternative | Telekom Sektörleri için Topluluk Sınıflandırıcılarla Ayrılma Tahmini | en_US |
| dc.type | Article | en_US |
