Πρόβλεψη ΄Εκβασης Τηλεφωνικής Προώθησης Τραπεζικών Υπηρεσιών Με Τη Χρήση Μεθόδων Αναγνώρισης Προτύπων

Ισμίρογλου, Βασιλική; Ismiroglou, Vasiliki

dc.contributor.author	Ισμίρογλου, Βασιλική	el
dc.contributor.author	Ismiroglou, Vasiliki	en
dc.date.accessioned	2023-01-19T11:04:26Z
dc.date.available	2023-01-19T11:04:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56786
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24484
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αναγνώριση προτύπων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Πρόβλεψη	el
dc.subject	Προώθηση τραπεζικών υπηρεσιών	el
dc.subject	Pattern recognition	en
dc.subject	Machine learning	el
dc.subject	Classification	el
dc.subject	Prediction	el
dc.subject	Bank marketing	el
dc.title	Πρόβλεψη ΄Εκβασης Τηλεφωνικής Προώθησης Τραπεζικών Υπηρεσιών Με Τη Χρήση Μεθόδων Αναγνώρισης Προτύπων	el
heal.type	bachelorThesis
heal.classification	Μαθηματικά	el
heal.classification	Επιστήμη Υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-13
heal.abstract	Η παρούσα εργασία πραγματεύεται την υλοποίηση μεθόδων μηχανικής μάθησης για ανάλυση δεδομένων, που αφορούν την τηλεφωνική προώθηση τραπεζικών υπηρεσιών. Αρχικά επιδιώκεται η ανάπτυξη μοντέλων, ικανών να ταξινομήσουν το σύνολο δεδομένων, με έμφαση στις δυνατότητές τους για γενίκευση και κατ΄ επέκταση πρόβλεψη. Συγκεκριμένα υλοποιήθηκαν ταξινομητές λογιστικής παλινδρόμησης, νευρωνικού δικτύου, τυχαίου δάσους και ενισχυμένων δέντρων με τους αλγορίθμους gradient boost και adaptive boost. Σε δεύτερη φάση, εξάγεται η σπουδαιότητα των χαρακτηριστικών για κάθε μέθοδο που μπορεί να οδηγήσει σε ερμηνεύσημα συμπεράσματα για τα δεδομένα. Από τα αποτελέσματα αναδεικνύεται ο ουσιαστικός ρόλος των συγκεκριμένων εργαλείων σε διαδικασίες πρόβλεψης, καθώς όλα τα μοντέλα επιτυγχάνουν την αναγνώριση εξαρτήσεων μεταξύ της κλάσης και των χαρακτηριστικών. Κατά την σύγκριση των μεθόδων αναδύονται οι άμεσοι περιορισμοί που τίθενται από τη μορφή του συνόλου δεδομένων. Προκύπτει, ότι οι αμερόληπτες ως προς αυτή μέθοδοι έχουν μικρά περιθώρια βελτίωσης, σε σχέση με τα πιο απλά μοντέλα, προτού υπερεκπαιδευτούν. Τέλος, σε ότι αφορά τη σπουδαιότητα των χαρακτηριστικών, παρά τις μικρές διαφορές μεταξύ προσεγγίσεων, παρατηρείται συνέπεια ως προς τα κυρίαρχα χαρακτηριστικά. Συνεπάγεται ότι η συμβολή τους δεν περιορίζεται στις ιδιαίτερες διαδικασίες που αφορούν τη κάθε μέθοδο, αλλά δύναται να αποτυπώνει μια πραγματική επιρροή στην απόφαση του πελάτη	el
heal.abstract	This work deals with the implementation of machine learning methods in order to analyze bank marketing data. Initially, we attempt the development of models capable of classifying the data, with an emphasis on their potential for generalization and, by extension, prediction. In particular, logistic regression, neural network, random forest and boosted tree classifiers were implemented using the gradient boost and adaptive boost algorithms. Furthermore, the feature importance is extracted for each method aiming at interpretable conclusions regarding the data. The results highlight the essential role of the aforementioned methods, since they all succeed in recognizing the dependencies between the class and features. When comparing the models, the immediate limitations set by the shape of the data emerge. It becomes apparent that low bias models have small margins for improvement, over simpler ones, before they overfit. Finally, despite the minimal differences between approaches, the observed results show consistency in regards to feature importance. It follows that the their contribution is not limited to the particular procedures within each method, but may reflect a real influence on the customer’s decision.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.committeeMemberName	Δρακοπούλου, Ευαγγελία	el
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	66 σ.	el
heal.fullTextAvailability	false