آرمان رضاسلطانی

آرمان رضاسلطانی

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۸ مورد از کل ۸ مورد.
۱.

مقایسه مدل های یادگیری جمعی برای پیش بینی رتبه کشوری دانش آموزان در کنکور سراسری(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت صنعتی دوره ۱۶ پاییز ۱۴۰۳ شماره ۳ 457 - 481

کلیدواژه‌ها: یادگیری جمعی پیش بینی رتبه کشوری کنکور سراسری مدل های یادگیری ماشین

حوزه‌های تخصصی:
تعداد بازدید : ۲۰۷ تعداد دانلود : ۱۸۴
هدف: این پژوهش به بررسی و مقایسه مدل های یادگیری جمعی می پردازد تا بتواند به پیش بینی دقیق تری از رتبه کشوری دانش آموزان در کنکور سراسری دست یابد. هدف اصلی این پژوهش شناسایی مدل های بهینه ای است که با تحلیل داده های آزمون های آمادگی که پیش از کنکور برگزار می شود، بتوانند رتبه دانش آموزان را با بیشترین دقت پیش بینی کنند. مدل های شناسایی شده می توانند به مشاوران تحصیلی کمک کنند تا با ارائه توصیه های دقیق تر و مبتنی بر داده، به دانش آموزان در انتخاب مسیر تحصیلی و برنامه ریزی آموزشی کمک کنند. روش: در این پژوهش، به منظور تحلیل دقیق عملکرد دانش آموزان، از نرم افزار Octoparse برای جمع آوری داده های مرتبط با آزمون قلمچی کانون فرهنگی آموزش استفاده شد. مجموعه داده ها اطلاعات مهمی بودند، نظیر میانگین نمره آزمون، رتبه های کشوری و منطقه ای، رشته های تحصیلی و دانشگاه های قبولی دانش آموزان. همچنین در این مطالعه، چهار مدل پیشرفته یادگیری جمعی شامل XGBoost، LightGBM، CatBoost و Random Forest به منظور مقایسه و ارزیابی عملکرد در پیش بینی رتبه کشوری دانش آموزان انتخاب شد. به منظور سنجش دقت و کارایی این مدل ها، از معیارهای متنوعی مانند میانگین مربعات خطا، جذر میانگین مربعات خطا، ضریب تعیین و همچنین زمان های آموزش و پیش بینی استفاده شد. داده های جمع آوری شده، به دو بخش آموزشی و آزمایشی تقسیم شدند تا مدل ها بتوانند به بهترین شکل آموزش ببینند و ارزیابی شوند. به منظور دستیابی به عملکرد بهینه، از روش جست وجوی شبکه ای بهره گرفته شد که به ما اجازه می دهد پارامترهای مدل ها را به طور دقیق تنظیم کنیم و بهترین نتایج ممکن را به دست آوریم. یافته ها: نتایج این مطالعه نشان دهنده عملکرد برجسته مدل های XGBoost و LightGBM در پیش بینی رتبه کشوری دانش آموزان بود. مدل XGBoost به عنوان دقیق ترین گزینه شناخته شد؛ زیرا پیش بینی هایی ارائه داد که به مقادیر واقعی بسیار نزدیک بود و کمترین میزان خطا را داشت. این دقت بالا باعث شد که XGBoost به عنوان مدل برتر در این پژوهش شناخته شود. مدل LightGBM نیز با نتایج بسیار مشابه XGBoost، به عنوان یکی دیگر از گزینه های برجسته، برای پیش بینی رتبه کشوری انتخاب شد. این مدل به خاطر سرعت و دقت زیاد، مورد توجه قرار گرفت و به عنوان ابزاری مؤثر در این زمینه شناخته شد. مدل Random Forest نیز با دقتی بهتر نسبت به CatBoost عمل کرد؛ هرچند زمان بیشتری برای آموزش و پیش بینی نیاز داشت. در مقابل، مدل CatBoost به عنوان ضعیف ترین گزینه شناخته شد؛ زیرا در مقایسه با سایر مدل ها دقت کمتری داشت و مقادیر خطای بیشتری ارائه می کرد؛ هرچند سرعت پیش بینی آن بیشتر بود. به نظر می رسد که این مدل به بهبود نیاز دارد تا بتواند با دیگر مدل های موفق رقابت کند. نتیجه گیری: یافته ها نشان می دهد که مدل های XGBoost و LightGBM به عنوان دو ابزار مؤثر در یادگیری جمعی، عملکرد بسیار خوبی برای پیش بینی رتبه دانش آموزان در آزمون های سراسری دارند. این مدل ها با دقت بالا و عملکرد بهینه، می توانند به عنوان راهنماهایی ارزشمند در سیستم های آموزشی عمل کنند و به بهبود فرایندهای یادگیری کمک کنند. این مدل ها قادرند دانش آموزانی را که ممکن است در مسیر تحصیلی خود با چالش مواجه شوند، شناسایی کنند و به طراحی برنامه های یادگیری مؤثرتر یاری دهند. علاوه براین، نتایج این پژوهش می تواند به رهبران مدارس و سیاست گذاران برنامه های آموزشی کمک کند تا تصمیم های هوشمندانه تری در جهتِ ارتقای عدالت آموزشی اتخاذ کنند؛ به طوری که فرصت های یادگیری برابر، برای همه دانش آموزان فراهم شود. در آینده، استفاده از مدل های پیشرفته تر یادگیری عمیق و اضافه کردن داده های مرتبط، مانند عوامل اجتماعی، اقتصادی و نوع مدارس، می تواند به بهبود دقت پیش بینی ها منجر شود. همچنین، ترکیب مدل های مختلف یادگیری ماشین برای ایجاد مدل های ترکیبی می تواند به افزایش دقت و کاهش خطاهای پیش بینی کمک کند. به طور کلی، این پژوهش می تواند نقطه عطفی برای توسعه سیستم های پیش بینی و تصمیم گیری در حوزه آموزش در کشور شمرده شود و زمینه ساز بهبودهای چشمگیر در این زمینه باشد.
۲.

Predicting Heart Disease Using Automated Machine Learning Based on Genetic Algorithms(مقاله علمی وزارت علوم)

نویسنده:
منبع: Journal of Information Technology Management , Volume ۱۷, Issue ۲, ۲۰۲۵ 91 - 122

کلیدواژه‌ها: Heart Disease Prediction Automatic Machine Learning Genetic Algorithms TPOT Framework

حوزه‌های تخصصی:
تعداد بازدید : ۱۸۴ تعداد دانلود : ۱۱۴
This study aims to apply automatic machine-learning approaches using genetic algorithms to enhance heart disease prediction. Heart disease has remained the major cause of mortality in the world, necessitating an effective and timely diagnosis. Most current diagnostic and assessment processes are lengthy and expensive, relying heavily on clinical expert knowledge. To help address these issues, machine learning approaches, which derive their utility from examining substantial datasets for the recognition of patterns, have emerged as a potential solution, providing solutions beyond those achievable by human recognition alone. Genetic algorithms are also suited to addressing these issues as they mimic natural evolution to perfect high-caliber machine-learning models, feature selection, and parameter selection in machine-learning applications. This study examines the utilization of genetic algorithms working alongside AutoML frameworks to improve accuracy in heart disease predictions. Reducing to the best combination of attributes and the optimum parameters for each attribute is a time-consuming task, so automating this aspect of the process allows for more accurate and prompt predictions, consequently reducing the manual work. The AutoML approach followed in this research is TPOT, which uses genetic algorithms to ascertain optimally designed machine-learning pipelines. The application of AutoML, together with genetic algorithms, is the most prominent finding that yields a significant improvement in the quality of the predictions for heart disease compared to the traditional assessment approaches, with an accuracy of 93.8%. This approach will enhance diagnostic accuracy and enable early diagnosis, thereby reducing the likelihood of misdiagnoses or ineffective treatments and ultimately lowering associated costs.
۳.

تحلیل و پیش بینی تصمیم های استخدامی با استفاده از یادگیری ماشین و یادگیری عمیق(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دولتی دوره ۱۷ تابستان ۱۴۰۴ شماره ۲ 295 - 327

کلیدواژه‌ها: یادگیری ماشین یادگیری عمیق پیش بینی استخدام الگوریتم های پیش بینی ویژگی های متقاضی تحلیل داده های استخدامی

حوزه‌های تخصصی:
تعداد بازدید : ۱۵۳ تعداد دانلود : ۱۲۲
هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم های یادگیری عمیق برای پیش بینی نتایج تصمیم های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همه سازمان ها و نهادهاست که بر ویژگی های عملکرد و بهره وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش بینی موفقیت در استخدام دشوار است، استفاده از تکنیک های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می شود. هدف این پژوهش بررسی توانایی این تکنیک ها برای کمک به سازمان ها در اتخاذ تصمیم های استخدامی بهتر و دور نگه داشتن آن ها از تصمیم گیری های پُرهزینه است. روش: در این پژوهش از داده های مختلف شامل سن، تحصیلات، سابقه کار، توانایی های فنی و مهارت ها و ویژگی های شخصیتی متقاضیان شغل استفاده شد. این داده ها به کمک الگوریتم های یادگیری ماشین و یادگیری عمیق، برای پیش بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه وتحلیل شدند. مدل های طبقه بندی برای شبیه سازی رفتارهای استخدام و پیش بینی تصمیم ها در سطوح مختلف ویژگی و به عنوان بخشی از مدل های یادگیری ماشین استفاده شد. علاوه براین، رابطه بین ویژگی های متقاضی و نتایج استخدام از طریق مدل های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل ها روی تمام داده های به دست آمده از منابع مورد اعتماد و بازبینی شده ای به دقت پردازش شدند، آموزش دیدند و ارزیابی شدند.   یافته ها: نتایج این مطالعه نشان می دهد که استفاده از یادگیری ماشینی و مدل های یادگیری عمیق، در افزایش دقت پیش بینی تصمیم های استخدامی تأثیر بسزایی دارد. در بین مدل های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0 ، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به طور چشمگیری از سایر الگوریتم ها بهتر بود. به طور مشابه، مدل های جنگل تصادفی (Random Forest) و اکس جی بوست (XGBoost) نیز عملکرد خوبی داشتند و به ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی ها نشان داد که مهارت های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم ترین عوامل مؤثر در تصمیم گیری استخدام بودند. علاوه براین، مدل های یادگیری جمعی، به ویژه کتبوست، قادر بودند اثرهای پیچیده تر ویژگی های شخصیتی متقاضیان را شناسایی کنند؛ در حالی که مدل های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم گیری بهتر درباره انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می توانست روابط پیچیده تر و غیرخطی تر بین ویژگی های متقاضی و نتایج استخدام را شبیه سازی کند. این الگوریتم ها باعث کاهش هزینه ها، بهبود کیفیت استخدام و بهره وری سازمان می شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان ها باید با دقت و به طور مداوم، داده های متقاضی را جمع آوری و پردازش کنند و به طور منظم، مدل های یادگیری ماشین را برای حفظ و بهبود دقت پیش بینی ها با تغییر بازار کار به روز کنند.
۴.

مدل سازی ریسک در خدمات بانکی نابینایان با استفاده از FMEA فازی و شبکه عصبی گراف (GNN)(مقاله علمی وزارت علوم)

نویسنده:
منبع: چشم انداز مدیریت صنعتی سال ۱۴ زمستان ۱۴۰۳ شماره ۵۶ 223 - 255

کلیدواژه‌ها: تحلیل ریسک خدمات بانکی FMEA فازی شبکه عصبی گراف (GNN) شکاف دیجیتال

حوزه‌های تخصصی:
تعداد بازدید : ۱۳۳ تعداد دانلود : ۱۲۸
مقدمه و اهداف: در دنیای امروز، دسترس پذیری و امنیت خدمات بانکی برای تمامی اقشار جامعه، به ویژه گروه های آسیب پذیر مانند نابینایان، از اهمیت ویژه ای برخوردار است. با توجه به اهمیت روزافزون بانکداری دیجیتال، شناسایی و ارزیابی ریسک های مرتبط با دسترسی و امنیت خدمات بانکی برای نابینایان از اولویت های اساسی محسوب می شود. هدف این پژوهش، شناسایی، ارزیابی و اولویت بندی ریسک های اصلی در ارائه خدمات بانکی به نابینایان و ارائه راهکارهایی برای کاهش این ریسک ها است، به گونه ای که با بهبود زیرساخت ها و فناوری های مورد استفاده، دسترسی نابینایان به خدمات بانکی به طور معناداری تسهیل شود. این پژوهش ترکیبی از دو روش تحلیل ریسک FMEA فازی و شبکه عصبی گراف (GNN) را به کار می گیرد تا به صورت دقیق تر و جامع تری روابط و تعاملات میان ریسک ها شناسایی شود. روش ها: پژوهش حاضر در دو مرحله اصلی صورت پذیرفت. در مرحله اول، از روش FMEA فازی برای شناسایی و ارزیابی ریسک ها استفاده شد. این روش به دلیل قابلیت آن در کار با اعداد فازی، به طور ویژه ای مناسب تحلیل معیارهای شدت، وقوع، و قابلیت کشف هر ریسک در شرایطی با عدم قطعیت است. پس از گردآوری نظرات خبرگان، این معیارها به مقادیر غیرفازی تبدیل شده و اولویت بندی ریسک ها مشخص گردید. مرحله دوم به کاربرد شبکه عصبی گراف اختصاص داشت که برای مدل سازی و تحلیل وابستگی های پیچیده و روابط متقابل بین ریسک ها به کار گرفته شد. GNN به عنوان یک ابزار قدرتمند یادگیری ماشینی امکان بررسی وابستگی های متقابل میان معیارها و نودهای مختلف را فراهم می آورد. داده های پژوهش از طریق نظرسنجی هایی که با ۱۲ نفر از خبرگان بانکداری و خدمات ویژه نابینایان انجام شد، گردآوری شدند. به هر خبره یک پرسشنامه شامل جفت های مختلف معیارهای ریسک ارائه شد و آنها به هر جفت نمره ای بین صفر تا چهار دادند. سپس، برای کاهش اثر نظرات فردی و کسب یک ارزیابی جامع، میانگین نمرات خبرگان به عنوان وزن نهایی روابط بین معیارها در گراف استفاده گردید. یافته ها: نتایج به دست آمده از تحلیل FMEA فازی نشان داد که «دسترسی فیزیکی»، «نابرابری های اقتصادی»، «شکاف دیجیتال» و «موانع فناورانه» از مهم ترین ریسک ها در دسترسی نابینایان به خدمات بانکی هستند. نتایج RPN (عدد اولویت ریسک) غیرفازی هر ریسک نشان داد که دو ریسک «دسترسی فیزیکی» و «نابرابری های اقتصادی» بیشترین اولویت را برای رسیدگی دارند و نیازمند توجه ویژه ای هستند. نتایج به دست آمده از GNN نیز تأیید کرد که برخی از این ریسک ها، نظیر دسترسی فیزیکی و موانع فناورانه، تأثیرات متقابل و پیچیده ای بر سایر ریسک ها دارند و نقش اساسی در شبکه روابط میان معیارها ایفا می کنند. به طور خاص، معیارهای «نابرابری های اقتصادی» و «موانع فناورانه» به عنوان عوامل اصلی تأثیرگذار در شبکه گراف شناسایی شدند که کاهش این ریسک ها می تواند تأثیر مهمی بر دسترسی و تجربه بانکی نابینایان داشته باشد. این یافته ها همچنین نشان داد که در نظر گرفتن جنبه های اقتصادی و فناورانه به تنهایی کافی نیست و باید تعاملات میان این معیارها نیز مورد توجه قرار گیرد. نتیجه گیری: بهبود دسترسی نابینایان به خدمات بانکی مستلزم رویکردی چندوجهی است که به طور هم زمان ارتقای زیرساخت های فیزیکی، کاهش نابرابری های اقتصادی، آموزش و آگاهی بخشی در حوزه فناوری های بانکی، و تقویت امنیت اطلاعات را دربرگیرد. یافته های این پژوهش حاکی از آن است که ترکیب FMEA فازی و GNN در ارزیابی ریسک های خدمات بانکی نابینایان می تواند به شناسایی تعاملات و اولویت بندی دقیق تر ریسک ها کمک کند و زمینه ساز طراحی راهکارهای جامع تر و مؤثرتری برای دسترسی این قشر به خدمات بانکی باشد. این پژوهش پیشنهاد می کند که بانک ها و مؤسسات مالی، با به کارگیری نتایج این تحقیق، راهکارهایی جامع برای ارتقای دسترس پذیری و بهبود تجربه کاربری نابینایان در خدمات بانکی ارائه دهند. افزایش رضایت و اطمینان این گروه از مشتریان می تواند در نهایت منجر به بهبود اعتبار و مسئولیت پذیری اجتماعی بانک ها گردد.
۵.

Comparative Analysis of Machine Learning Algorithms in Predicting Jumps in Stock Closing Price: Case Study of Iran Khodro Using NearMiss and SMOTE Approaches(مقاله علمی وزارت علوم)

نویسنده:
منبع: Iranian Journal of Finance, Volume ۹, Issue ۳, Summer ۲۰۲۵ 27 - 54

کلیدواژه‌ها: Machine Learning Imbalanced Data Handling nearmiss SMOTE Stock Price Prediction

حوزه‌های تخصصی:
تعداد بازدید : ۲۹ تعداد دانلود : ۳۸
Predicting stock price fluctuations has always been one of the most important financial challenges due to the complexities of financial data and nonlinear market behavior. This research aimed to analyze and compare the performance of machine learning algorithms in predicting the closing price jump of Iran Khodro Company shares. Two different methods of managing unbalanced data, NearMiss and SMOTE, were used to overcome the challenge of unbalanced data. The results showed that the NearMiss method outperformed SMOTE by balancing precision and recall in machine learning models. The CatBoost model was recognized as the best machine learning model in this study due to its stable performance in NearMiss and SMOTE methods. The CatBoost model showed a perfect balance between evaluation indicators in the NearMiss method, with an accuracy of 91.46% and an F1 score of 91.29%. This model also had high precision (93.18%) and acceptable recall (89.52%), which showed the ability to detect jumps and avoid wrong predictions correctly. On the other hand, in the SMOTE method, the Random Forest model was superior, with an accuracy of 85.08%. These results show that a combination of unbalanced data management methods and advanced machine learning algorithms can significantly improve the accuracy of price volatility prediction. The results of this research can help investors and financial analysts make better decisions in risk management and optimizing investment strategies.
۶.

مدل سازی رضایت و وفاداری مشتری در صنعت پوشاک بر پایه کیفیت جامع و بصری با رویکرد ترکیبی معادلات ساختاری و تبیین افزایشی شاپلی مبتنی بر جنگل تصادفی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت تبلیغات و فروش دوره ۶ تابستان ۱۴۰۴ شماره ۲ (پیاپی ۲۲) 153 - 176

کلیدواژه‌ها: مدیریت کیفیت جامع کیفیت بصری رضایت مشتری قصد خرید تبلیغات دهان به دهان

حوزه‌های تخصصی:
تعداد بازدید : ۱۳ تعداد دانلود : ۲۲
در بازار رقابتی و تجربه محور صنعت پوشاک، رضایت مشتری و وفاداری او به برند، بیش از هر زمان دیگری به کیفیت خدمات و تجربه ادراک شده وابسته است. پژوهش حاضر با هدف بررسی تأثیر مدیریت کیفیت جامع (TQM) و کیفیت بصری بر رضایت مشتری و پیامدهای رفتاری آن شامل قصد خرید و تبلیغات دهان به دهان انجام شده است. نوآوری این تحقیق در به کارگیری رویکردی ترکیبی از مدل سازی معادلات ساختاری (PLS-SEM) و یادگیری ماشین تفسیرپذیر و توضیح پذیر با روش تبیین افزایشی شاپلی مبتنی بر مدل جنگل تصادفی نهفته است؛ رویکردی که هم روابط علی میان متغیرها را بررسی می کند و هم اهمیت نسبی آنها را در پیش بینی متغیرهای وابسته شناسایی می نماید. جامعه آماری شامل مشتریان صنعت پوشاک بود که با روش نمونه گیری هدفمند، داده های موردنیاز از طریق ۱۳۵ پرسشنامه معتبر جمع آوری شد. نتایج نشان داد TQM تأثیر قوی تری بر رضایت مشتری دارد نسبت به کیفیت بصری و رضایت مشتری نقش میانجی معناداری در اثرگذاری این عوامل بر قصد خرید و تبلیغات دهان به دهان ایفا می کند. تحلیل تبیین افزایشی شاپلی نیز عوامل کلیدی مانند محیط فروشگاهی، فرآیندهای خدمات و تعاملات کارکنان را به عنوان مهم ترین پیش بینی کننده های رضایت مشتری شناسایی کرد. این پژوهش نشان می دهد که ترکیب بهینه کیفیت خدمات و تجربه بصری، همراه با تحلیل پیش بینانه داده ها، می تواند راهگشای طراحی راهبردهای مؤثر در حفظ مشتریان و ارتقاء مزیت رقابتی برندهای پوشاک باشد.
۷.

یادگیری ماشین با حساسیت هزینه برای پیش بینی نقص های تولید: رویکردی نوین مبتنی بر MetaCost(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت تولید و عملیات سال ۱۶ تابستان ۱۴۰۴ شماره ۲ (پیاپی ۴۱) 73 - 94

کلیدواژه‌ها: یادگیری ماشین حساسیت به هزینه MetaCost پیش بینی نقص تولید صنعتی

حوزه‌های تخصصی:
تعداد بازدید : ۱۲ تعداد دانلود : ۱۸
کنترل کیفیت و کاهش هزینه های تولید، به پیش بینی دقیق عیوب در فرآیندهای صنعتی وابسته است. در این پژوهش، رویکرد یادگیری ماشین حساس به هزینه، با استفاده از الگوریتم MetaCost بررسی شده است. MetaCost یک تکنیک پس پردازش برای تبدیل مدل های یادگیری ماشین به مدل های حساس به هزینه است که با در نظر گرفتن ماتریس هزینه خطاها، تصمیم گیری مدل را بهینه می کند. هدف اصلی، کاهش خطاهای منفی کاذب در شناسایی روزهای پرنقص تولید است. برای این منظور، از چندین الگوریتم شامل Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و رگرسیون لجستیک استفاده شد. داده ها از دیتاست «Predicting Manufacturing Defects» برگرفته از پلتفرم Kaggle، شامل اطلاعات مربوط به 3240 روز تولید صنعتی جمع آوری شدند. نتایج نشان داد که الگوریتم جنگل تصادفی با دستیابی به صحت برابر 96.9% و بازخوانی برابر 98.9 %، بهترین عملکرد را در میان مدل ها داشت. به ویژه توانایی بالای این مدل در شناسایی صحیح روزهای پرنقص، آن را به گزینه مناسبی برای کاربردهای واقعی در صنعت تبدیل کرد. دیگر مدل ها نیز عملکرد پذیرفتنی داشتند؛ اما در مقایسه با Random Forest، در کاهش نرخ منفی کاذب ضعیف تر ظاهر شدند. این نتایج، کارایی رویکردهای حساس به هزینه را در بهبود پیش بینی نقص تولید، تأیید می کند.
۸.

A Hybrid Machine Learning Model Optimized with Reinforcement Learning–Enhanced Spider Wasp Optimizer for Customer Value Prediction(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Journal of Business and Development Studies Vol. ۱۷, No. ۲, (۲۰۲۵) 203-229

کلیدواژه‌ها: Ensemble learning Customer Value Prediction Stacking Model Machine Learning in Banking Multi-Layer Classification Models

حوزه‌های تخصصی:
تعداد بازدید : ۱۲ تعداد دانلود : ۱۹
Having an accurate estimation of a customer's worth is one of the more important tasks performed by banks in this modern world, especially with the profound number of customers and the complex nature of transactions, along with the massive variance in transactions. In light of this need, we develop a multi-layer stacked ensemble model specifically designed to improve the predictive performance of banking customers in Iran. The first layer consists of 4 different learners (XGBoost, CatBoost, Random Forest, and Gradient Boosting). Each model has its learning capacity and learns from customer behavior and financial characteristics in complementary ways. The second layer consists of a LightGBM classifier, which fuses (by meta-model) the outputs of the first-layer learners into the final prediction. The second set of model hyperparameters were optimized using a Reinforcement Learning (RL)-based SWO to efficiently search for optimal hyperparameters across a high-dimensional space, which is typically not well-explored using classic optimization strategies. Utilizing a repeated 5-fold stratified cross-validation approach, we were able to achieve strong predictive accuracy: Accuracy = 89.70%; Precision = 92.84%; Recall = 92.46%; F-Score = 92.61%; ROC AUC = 0.9632; all of which surpass the single models. Our results provide evidence supporting the successful application of a multi-layer ensemble with metaheuristic hyperparameter optimization in building a viable and powerful customer valuation tool for banks.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان