Thông tin luận văn

DMHV	MIT19203	Họ và tên	Đinh Minh Hòa	Ngày sinh	04/11/1993
Khóa	2019	Điểm TB	9.05	Điểm LV	8.5

Tiêu đề tiếng Việt: Tiêu đề tiếng Anh Tóm tắt

Thị trường viễn thông tại Việt Nam có tốc độ tăng trưởng mạnh mẽ, kèm với đó là sự cạnh tranh vô cùng khốc liệt. Việc xác định được nguy cơ khách hàng rời bỏ nhà mạng dựa trên hành vi sử dụng dịch vụ của họ là vô cùng cần thiết. Thực hiện được điều này giúp các công ty tiết kiệm được chi phí kinh doanh cũng như điều chỉnh chiến lược chăm sóc khách hàng một cách hiệu quả hơn.

Các mô hình học máy đã được áp dụng thành công trong việc dự đoán hành vi khách hàng dựa vào dữ liệu trong quá khứ ở nhiều lĩnh vực khác nhau. Trong bài toán “dự đoán thuê bao rời bỏ nhà mạng” chiến lược cơ bản thường được áp dụng là sử dụng một giải thuật phân lớp với mô hình học có giám sát để phân lớp được người dùng rời bỏ hoặc không rời bỏ. Sau đó sử dụng mô hình đã huấn luyện để dự đoán với các khách hàng hiện tại nhằm đánh giá khả năng khách hàng sẽ rời bỏ công ty trong tương lai.

Đề tài này đầu tiên tìm hiểu các hướng tiếp cận khác nhau khi làm việc với tập dữ liệu mất cân bằng (imbalanced data). Tiếp đến, tập trung tìm hiểu về phương pháp lấy mẫu SMOTE và hiện thực giải thuật Random Forest cải tiến do Devi và các cộng sự đề xuất. Cuối cùng là tiến hành thực nghiệm và so sánh 2 phương pháp trên đại diện cho từng hướng tiếp cận, để rút ra được chiến lược phù hợp khi làm việc với các tập dữ liệu mất cân bằng của bài toán dự đoán thuê bao rời bỏ nhà mạng.

Thông tin luận văn

Đào tạo sau đại học

Trang web liên kết

Thông tin luận văn

Trường Đại Học Ngoại Ngữ – Tin Học TP.HCM (HUFLIT)

Phòng Đào tạo Sau Đại học – Khoa học Công nghệ

Trang web liên kết