PREDICTING CHURN IN TELECOM SECTOR USING A POPULATION-BASED INCREMENTAL ANN LEARNING ALGORITHM
Notice bibliographique
Résumé
Abstract With global advancement, Information Technology has led to the growth of numerous Service Providers, which, in turn, has resulted in fierce competition between themselves. For Service Providers, the most prevalent obstacle is the handling of customer churn, retention, and satisfaction of customers for successful market sustenance. Customer Relationship Management (CRM) concentrates on boosting, sustaining, and building long term customer associations. CRM relies on the collection of information prior to making decisions. When a customer halts the existing service provider relationship and shifts to another, this is referred to as churn. The overall business profit and image are perturbed by this never-ending motion of churning. Therefore, it is more preferable to stop customers from churning and going for forecasting. In this work, churn prediction in telecom sector is investigated. Artificial Neural Network are used for prediction. To enhance the performance of the ANN, it is required to optimize its structure. From a given solution set, the global optimum can be detected utilizing the probabilistic method of Simulated Annealing (SA). Various optimization problems related to engineering and other areas have been resolved favourably with Population-Based Incremental Learning (PBIL) utilization. For predicting customer churn, this work has proposed a structure optimized Hybrid Simulated Annealing – Population-Based Incremental Learning ANN. Further deep learning techniques were used to improve the Churn prediction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».