الگوریتمهای یادگیری ماشین تحت نظارت برای طبقهبندی مشتریان در تجارت الکترونیک
الگوریتمهای یادگیری ماشین تحت نظارت برای طبقهبندی مشتریان در تجارت الکترونیک
امیرعلی عظیمی1
1) دانشکده علوم کامپیوتر دانشگاه آزاد اسلامی واحد تهران غرب، ایران
کد IOI مقاله
:
AAGF-AAGFHF
محل انتشار :
نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
طبقهبندی مشتری نقش مهمی در بهبود فرآیندهای تصمیمگیری در تجارت الکترونیک دارد و کسبوکارها را قادر میسازد تا توصیههای شخصیسازیشده ارائه دهند، حفظ مشتری را بهبود بخشند و استراتژیهای بازاریابی را بهینه کنند. در این مطالعه، ما عملکرد الگوریتمهای یادگیری ماشینی (ML) تحت نظارت را برای طبقهبندی مشتری بررسی میکنیم و بر توانایی آنها در مدیریت مجموعه دادههای بزرگ و متنوع تمرکز میکنیم. چندین الگوریتم پرکاربرد، از جمله درخت تصمیم (DT)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، رگرسیون لجستیک (LR)، K-نزدیکترین همسایهها (KNN) و بیز ساده (NB)، ارزیابی میشوند. این تجزیه و تحلیل معیارهای کلیدی مانند دقت، صحت، فراخوانی و امتیاز F1 را برای ارائه یک مقایسه جامع در نظر میگیرد. نتایج نشان میدهد که روشهای گروهی مانند RF عموماً با ثبت الگوهای داده پیچیده، از طبقهبندیکنندههای انفرادی بهتر عمل میکنند، در حالی که SVM و LR عملکرد رقابتی را در مجموعه دادههای خطی قابل تفکیک نشان میدهند. این مطالعه همچنین بر اهمیت پیشپردازش دادهها، انتخاب ویژگی و مدیریت عدم تعادل کلاس برای دستیابی به نتایج قابل اعتماد تأکید میکند. به طور کلی، این تحقیق به درک عمیقتر از کاربرد تکنیکهای یادگیری ماشینی تحت نظارت در تجارت الکترونیک کمک میکند و بینشهایی را برای کسبوکارها جهت پیادهسازی سیستمهای طبقهبندی قوی مشتری و بهبود کارایی تصمیمگیری ارائه میدهد.
کلمات کلیدی : یادگیری نظارتشده طبقهبندی مشتری تجارت الکترونیک یادگیری ماشین پیشپردازش دادهها ارزیابی عملکرد