Publicação
ANÁLISE DO DESEMPENHO DE HIPERPARÂMETROS DE APRENDIZAGEM DE MÁQUINA APLICADOS NA PREVISÃO DA TAXA DE ROTATIVIDADE DE CLIENTES
| Resumo: | Hoje em dia, com as novas formas de venda e as mudanças nos comportamentos dos consumidores, as empresas fornecedoras de serviços estão tendo que focar muito mais na fidelização dos seus clientes, pois acaba sendo menos custoso do que conquistar um novo, sendo que fazer uso da tecnologia acaba auxiliando e muito as organizações na estruturação das suas informações e na busca por um diferencial competitivo no mercado. Neste sentido, a prendizagem de máquina muito eficaz na tentativa de prever uma possível evasão de determinado cliente, pois ela fornece inúmeros métodos que, quando trabalhados de forma correta, entregam um bom resultado na predição proposta. Tendo em vista este cenário, o presente trabalho visa realizar a predição da taxa de rotatividade de clientes de três conjuntos de dados, de organizações prestadoras de serviços, fazendo uso dos métodos de aprendizagem Floresta Aleatória, Árvore de Decisão, MVS, MLP e AutoML. Além disso, tem por objetivo analisar a eficiência de diferentes hiperparâmetros aplicados a estes métodos. Neste caso, cada um dos conjuntos de dados passou por um processo que consistiu na coleta dos mesmos, no pré-processamento dos dados, na aplicação dos métodos de aprendizagem de máquina, com e sem personalização de hiperparâmetros, e na avaliação dos métodos. Assim sendo, o método Floresta Aleatória, dentre os utilizados nos trabalhos, apresentou as melhores performances, sendo o melhor em todas as formas em que foi aplicado. |
|---|---|
| Autores principais: | Gnoatto, Renan |
| Assunto: | CET Aprendizagem de Máquina Hiperparâmetros Python Rotatividade de Clientes Machine Learning Hyperparameters Customer Churn |
| Ano: | 2023 |
| País: | Brasil |
| Tipo de documento: | trabalho de fim de curso |
| Tipo de acesso: | unknown |
| Instituição associada: | IBICT |
| Idioma: | português |
| Origem: | Oasisbr |
| Resumo: | Hoje em dia, com as novas formas de venda e as mudanças nos comportamentos dos consumidores, as empresas fornecedoras de serviços estão tendo que focar muito mais na fidelização dos seus clientes, pois acaba sendo menos custoso do que conquistar um novo, sendo que fazer uso da tecnologia acaba auxiliando e muito as organizações na estruturação das suas informações e na busca por um diferencial competitivo no mercado. Neste sentido, a prendizagem de máquina muito eficaz na tentativa de prever uma possível evasão de determinado cliente, pois ela fornece inúmeros métodos que, quando trabalhados de forma correta, entregam um bom resultado na predição proposta. Tendo em vista este cenário, o presente trabalho visa realizar a predição da taxa de rotatividade de clientes de três conjuntos de dados, de organizações prestadoras de serviços, fazendo uso dos métodos de aprendizagem Floresta Aleatória, Árvore de Decisão, MVS, MLP e AutoML. Além disso, tem por objetivo analisar a eficiência de diferentes hiperparâmetros aplicados a estes métodos. Neste caso, cada um dos conjuntos de dados passou por um processo que consistiu na coleta dos mesmos, no pré-processamento dos dados, na aplicação dos métodos de aprendizagem de máquina, com e sem personalização de hiperparâmetros, e na avaliação dos métodos. Assim sendo, o método Floresta Aleatória, dentre os utilizados nos trabalhos, apresentou as melhores performances, sendo o melhor em todas as formas em que foi aplicado. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.