論文の概要: Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression

• arxiv url: http://arxiv.org/abs/2105.07671v1
• Date: Mon, 17 May 2021 08:40:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:57:32.968506
• Title: Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression
• Title（参考訳）: 混合ペナルティロジスティック回帰を用いたチャーン予測のための顧客オンラインエンゲージメントの分類
• Authors: Petra Posedel \v{S}imovi\'c, Davor Horvatic, Edward W. Sun
• Abstract要約: 混合ペナルティ項を付加することによりロジスティック回帰の分類を促進する機械学習手法に基づく顧客チャーン率の新たな予測分析を提供する。 本研究では,提案手法の分析特性と計算上の優位性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using big data to analyze consumer behavior can provide effective decision-making tools for preventing customer attrition (churn) in customer relationship management (CRM). Focusing on a CRM dataset with several different categories of factors that impact customer heterogeneity (i.e., usage of self-care service channels, duration of service, and responsiveness to marketing actions), we provide new predictive analytics of customer churn rate based on a machine learning method that enhances the classification of logistic regression by adding a mixed penalty term. The proposed penalized logistic regression can prevent overfitting when dealing with big data and minimize the loss function when balancing the cost from the median (absolute value) and mean (squared value) regularization. We show the analytical properties of the proposed method and its computational advantage in this research. In addition, we investigate the performance of the proposed method with a CRM data set (that has a large number of features) under different settings by efficiently eliminating the disturbance of (1) least important features and (2) sensitivity from the minority (churn) class. Our empirical results confirm the expected performance of the proposed method in full compliance with the common classification criteria (i.e., accuracy, precision, and recall) for evaluating machine learning methods.
• Abstract（参考訳）: ビッグデータを使用して消費者行動を分析することで、顧客関係管理(crm)における顧客満足(churn)を防止するための効果的な意思決定ツールを提供できる。 顧客の不均一性に影響を与える要因(セルフケアサービスチャネルの使用、サービス継続時間、マーケティング行動への対応など)のいくつかの異なるカテゴリのcrmデータセットに注目し、混合ペナルティ項を付加してロジスティック回帰の分類を強化する機械学習法に基づいて、顧客チャーンレートの新たな予測分析を提供する。 提案するペナルティ付きロジスティック回帰は,ビッグデータを扱う場合の過剰フィットを防止し,中央値(絶対値)と平均値(二乗値)の正則化によるコストのバランスをとる場合の損失関数を最小限に抑えることができる。 本研究では,提案手法の解析的性質と計算上の優位性について述べる。 さらに,(1)最も重要でない特徴の乱れを効率よく除去し,(2)少数派クラスからの感度を低減し,CRMデータセット(多数の特徴を持つ)を用いて提案手法の性能について検討した。 実験の結果,機械学習手法の評価において,一般的な分類基準(精度,精度,リコール)を満たし,提案手法の期待性能を確認した。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Submodular Maximization Approaches for Equitable Client Selection in Federated Learning [4.167345675621377]
  従来の学習フレームワークでは、トレーニングのためのクライアント選択は、通常、各イテレーションでクライアントのサブセットをランダムにサンプリングする。 本稿では,ランダムクライアント選択の限界に対処するために,SUBTRUNCとUNIONFLという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-24T22:40:31Z)
• Causal Customer Churn Analysis with Low-rank Tensor Block Hazard Model [4.694536172504849]
  本研究は, 顧客への様々な介入が顧客へ与える影響を, 潜在的な成果の枠組みを用いて分析する革新的な手法を提案する。 本稿では,顧客チャーンを因果解析するためのテンソル補完手法を取り入れた新しい因果モデルであるテンソル化潜在要因ブロックハザードモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-18T19:54:14Z)
• FedADMM-InSa: An Inexact and Self-Adaptive ADMM for Federated Learning [1.802525429431034]
  我々はFedADMM-InSaと呼ばれる不正確な自己適応型FedADMMアルゴリズムを提案する。 結果の不正確なADMMの収束は、強い凸損失関数の仮定の下で証明される。 提案アルゴリズムは,クライアントの局所的な計算負荷を大幅に低減し,バニラFedADMMと比較して学習プロセスを高速化する。
  論文  参考訳（メタデータ） (2024-02-21T18:19:20Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• Counterfactual Learning of Stochastic Policies with Continuous Actions: from Models to Offline Evaluation [41.21447375318793]
  コンテクストとアクションを融合したカーネルを組み込んだモデリング戦略を導入する。 対実学習の最適化の側面が重要であることを実証的に示す。 実世界のログシステムにおけるオフラインポリシーの評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-04-22T07:42:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。