ارائه الگوریتم پویا با استفاده از مدل های فرااکتشافی در جریان داده ها براساس نمونه گیری مجدد به منظور ارتقاء پیش بینی پاسخ مشتریان

هدف از پژوهش حاضر مواجهه با مشکل عدم توازن داده ها به عنوان یک مسئله نهادینه شده در حوزه تحقیقات علوم انسانی است. عدم توازن در بین داده های متعلق به کلاس اقلیت و اکثریت باعث تمایل الگوریتم های طبقه بند به سمت کلاس اکثریت می شود.

روش شناسی:

 در این پژوهش پس از بررسی داده های اولیه و ملاحظه ضعف و مشکل الگوریتم های پیش بینی برای این داده ها، از روش های مختلف متوازن سازی داده ها و تقویت قدرت پیش بینی الگوریتم ها بر اساس مدل های فرااکتشافی استفاده شده است. 

یافته ها:

نتایج نشان داد که با استفاده از داده های اولیه به هیچ وجه نمی توان به یک پیش بینی قابل اتکا و قابل استفاده دست یافت. به کارگیری روش های نمونه گیری مجدد با استفاده از خوشه بندی مشتریان و ترکیب کلاس های اقلیت و اکثریت به روش های مختلف و مطابق با الگوریتم ارایه شده می تواند توان پیش بینی طبقه بند ها را به طرز شگفت انگیزی افزایش داده و در موقعیت های مختلف مورد استفاده قرار گیرد. 

نتیجه گیری:

 این پژوهش با استفاده از نتایج حاصل از کدهای XML استخراج شده در هر مرحله به شناسایی هر چه دقیق تر مشتریان بالقوه پرداخته و نیز با ترکیب معیارهای مختلف ارزیابی مدل به روشی ابتکاری در جهت تغییر خروجی مدل های پیش بینی از حالت باینری به فازی، گامی فراتر از یافته ها و نتایج پژوهش های پیشین برداشته شده است.