National and Kapodistrian University of Athens
Credit Card Attrition Analysis Through Trigonometrically Activated WASD Neural Networks
Abstract
dc:descriptionΗ μείωση του κόστους, ένας παράγοντας που συνεισφέρει τόσο στην κερδοφορία όσο και στη μακροβιότητα μιας επιχείρησης και ιδιαίτερα ενός χρηματοπιστωτικού ιδρύματος, μπορεί να επιτευχθεί μέσω αύξησης του ποσοστού διακράτησης πελατών. Οι πελάτες με πιστωτικές κάρτες αποτελούν ένα ευμετάβλητο υποσύνολο του πελατολογίου ενός τραπεζικού ιδρύματος. Ως αποτέλεσμα, οι τράπεζες θα ήθελαν να μπορούν να προβλέψουν εκ των προτέρων ποιοι από αυτούς τους πελάτες πρόκειται να φύγουν, έτσι ώστε να τους προσεγγίσουν με προληπτικές καμπάνιες marketing. Τα νευρωνικά δίκτυα έχουν εφαρμοστεί ευρέως σε προβλήματα ταξινόμησης. Η ανάλυση για απώλεια πελατών με πιστωτικές κάρτες αποτελεί μια υποενότητα με πολλές προκλήσεις, όπως μη-ισορροπημένα set δεδομένων, που όμως δεν έχει διερευνηθεί αρκετά. Προκειμένου να ξεπεραστούν τα σχετικά εμπόδια αλλά και να αντιμετωπιστούν οι ελλείψεις των κλασσικών αλγορίθμων back propagation για νευρωνικά δίκτυα, κατασκευάζουμε ένα τριγωνομετρικό weights and structure determination (WASD) νευρωνικό δίκτυο για αυθαίρετο αριθμό input, το οποίο εμπεριέχει τεχνικές βελτιστοποίησης της δομής του καθώς και άλλες τεχνικές οι οποίες αφενός αυξάνουν την ταχύτητα με την οποία εκπαιδεύεται, αφετέρου μειώνουν τον κίνδυνο και τις επακόλουθες καταστροφικές επιπτώσεις του overfitting. Έχοντας εφαρμοστεί πάνω σε τρία κοινώς διαθέσιμα set δεδομένων, το WASD νευρωνικό δίκτυο επιδεικνύει είτε ανώτερη είτε υψηλά ανταγωνιστική επίδοση σε όλα τα μετρικά, ερχόμενο σε σύγκριση με δημοφιλή-παγιωμένα μοντέλα ταξινόμησης από το classification learner app της MATLAB.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Σαχάς Ρωμανός
- Sachas Romanos
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3335555