PREDICTING CHURN IN TELECOM SECTOR USING A POPULATION-BASED INCREMENTAL ANN LEARNING ALGORITHM
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 découle