การประเมินวิธีการเรียนรู้ของเครื่องสำหรับแก้ปัญหาความไม่สมดุลของข้อมูลลูกค้าในธนาคาร: การศึกษาเชิงเปรียบเทียบ
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์ของงานวิจัยนี้ คือ การแก้ปัญหาข้อมูลไม่สมดุลที่ส่งผลต่อการทำนายการยกเลิกการใช้บริการของลูกค้าธนาคาร ในการศึกษานี้ใช้เทคนิคการสุ่มตัวอย่างสองแบบ ได้แก่ เทคนิคการชักตัวอย่างแบบวิธีสังเคราะห์ข้อมูลใหม่ และเทคนิคการชักตัวอย่างลดอย่างสุ่มร่วมกับเทคนิคการเรียนรู้ของเครื่อง 3 เทคนิค ในการสร้างตัวแบบในการทำนาย ได้แก่ เทคนิคต้นไม้ตัดสินใจ เทคนิคจำแนกประเภทแบบนาอีฟเบย์ และเทคนิคซัพพอร์ตเวกเตอร์แมชชีน จากผลการศึกษาพบว่า การใช้เทคนิคการชักตัวอย่างแบบวิธีสังเคราะห์ข้อมูลใหม่ร่วมกับการสร้างตัวแบบด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีนให้ประสิทธิภาพในการทำนายได้ดีที่สุดโดยจะมีประสิทธิภาพเหนือกว่าแบบจำลองอื่น ๆ โดยมีค่าความแม่นยำร้อยละ 92.99 ค่าวัดประสิทธิภาพร้อยละ 91.37 ค่า AUC ร้อยละ 96.4 และอัตราลบเท็จร้อยละ 7.01
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Amin, A., Anwar, S., Adnan, A., Nawaz, M., Howard, N., Qadir, J., Hawalah, A. and Hussain, A. (2016). Comparing oversampling techniques to handle the class imbalance problem: A customer churn - prediction case study. IEEE Access 4: 7940 - 7957.
Burez, J. and Van den Poel, D. (2009). Handling class imbalance in customer churn prediction. Expert Systems with Applications 36(3): 4626 - 4636.
Expert System Team. (2017). What is Machine Learning? A definition. Source: http://expertsystem.com/machine-learning-definition/. Retrieved from 16 May 2024.
Haddadi, S.J., Farshidvard, A., Silva, F.D.S., dos Reis J.C. and da Silva Reis, M. (2024). Customer churn prediction in imbalanced datasets with resampling methods: A comparative study. Expert Systems with Applications 246: 123086.
Han, J., Pei, J. and Kamber, M. (2011). Data Mining: Concepts and Techniques. (Third Edition). Waltham, USA.: Elsevier.
Kimura, T. (2022). Customer churn prediction with hybrid resampling and ensemble learning. Journal of Management Information & Decision Science 25(1).
Larose, D.T. and Larose, C.D. (2014). Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc.
Ling, C. and Li, C. (1998). Data mining for direct marketing problems and solutions. In: Proceedings of the fourth international conference on knowledge discovery and data mining (KDD-98). NY: AAAI Press, New York.
Narkhede, S. (2016). Understanding AUC - ROC Curve. Source: https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5. Retrieved from 16 May 2024.
Ramyachitra, D. and Manikandan, P. (2014). Imbalanced dataset classification and solutions: a review. International Journal of Computing and Business Research (IJCBR) 5(4).
Shrutimechlearn. (2019). Churn Modelling classification data set. Source: https://www.kaggle.com/datasets/shrutimechlearn/churn-modelling. Retrieved from 24 March 2024.
Srinivasan, R., and Subalalitha, C.N. (2023). Sentimental analysis from imbalanced code-mixed data using machine learning approaches. Distributed and Parallel Databases 41: 37 – 52. doi: 10.1007/s10619-021-07331-4.
Wadikar, D. (2020). Customer Churn Prediction. Masters Dissertation, Technological University Dublin. Dublin, Ireland.
Xie, W., Liang, G., Dong, Z., Tan, B. and Zhang, B. (2019). An Improved Oversampling Algorithm Based on the Samples’ Selection Strategy for Classifying Imbalanced Data. Mathematical Problems in Engineering 2019. doi: 10.1155/2019/3526539.
