Grocery Apps and Consumer Purchase Behavior: Application of Gaussian Mixture Model and Multi-Layer Perceptron Algorithm
Notice bibliographique
Résumé
The purpose of this study is to investigate and compare the popularity of common grocery apps in Hungary as well as Iran. The data were gathered from Iranian and Hungarian users who had at least one online purchase experience using a grocery app. A Gaussian mixture model (GMM) and multi-layer perceptron (MLP) are used as supervised and unsupervised machine learning algorithms with Python programming to cluster customers and predict consumer behavior. The results revealed that Wolt in Hungary and Snappfood in Iran are the most popular grocery apps. Users in Iran are divided into three groups of users of app services and the type of full covariance has higher accuracy compared to the other three types (96%). Meanwhile, we found that the five apps used in Hungary have provided 95% accuracy from the users’ point of view based on the diagonal covariance. The MSE value (overfitting and cross-validation) is less than 0.1 in the MLP algorithm, which shows an acceptable amount of error. The results of overfitting indicate the proper fit of the MLP model. The findings of this study could be important for managers of online businesses. In the clustering section, the accuracy and value of consumer demographic information have been emphasized. Additionally, in the classification and prediction section, a kind of “customization” has been performed with an emphasis on market segmentation. This research used GMM and MLP machine learning algorithms as a creative way to cluster and classify consumers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».