Studia Informatica Pomerania

Wcześniej: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Studia Informatica

ISSN: 2451-0424     eISSN: 2300-410X    OAI    DOI: 10.18276/si.2016.39-05
CC BY-SA   Open Access 

Lista wydań / nr 39
Algorytmy do konstruowania drzew decyzyjnych w przewidywaniu skuteczności kampanii telemarketingowej banku

Autorzy: Jan Kozak
Uniwersytet Ekonomiczny w Katowicach, Wydział Informatyki i Komunikacji

Przemysław Juszczuk
Uniwersytet Śląski w Katowicach, Wydział Informatyki i Nauki o Materiałach
Słowa kluczowe: drzewa decyzyjne analiza danych kampania telemarketingowa
Rok wydania:2016
Liczba stron:11 (49-59)
Cited-by (Crossref) ?:

Abstrakt

W artykule dokonano analizy kampanii telemarketingowej portugalskiego banku. Dane zawierają 17 atrybutów (cech), w tym informację o skuteczności przeprowadzonej rozmowy związanej z ofertą lokaty bankowej. Analiza przeprowadzona została z zastosowaniem algorytmów do konstruowania drzew decyzyjnych (m.in. CART, C4.5), a w jej wyniku, na podstawie wartości cech klienta, wykonana została predykcja określająca skutek rozmowy telemarketingowej. Wykonane doświadczenia pozwoliły na analizę wyników poszczególnych klasyfikatorów pod względem różnych miar oceny jakości klasyfikacji. Jest to szczególnie ważne w przypadku rzeczywistych zbiorów danych z nierównomiernie rozłożonymi klasami decyzyjnymi.
Pobierz plik

Plik artykułu

Bibliografia

1.Boryczka, U., Kozak, J. (2014). On-the-go adaptability in the new ant colony decision forest approach. In: Intelligent Information and Database Systems. Intelligent Information and Database Systems – 6th Asian Conference, ACIIDS 2014, Bangkok, Thailand, April 7–9, 2014, Proceedings, Part II. Springer International Publishing, 157–166.
2.Bouckaert, R.R., Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A., Scuse, D. (2013). Weka manual for version 3-7-10.
3.Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. (1984). Classification and Regression Trees. New York: Chapman & Hall.
4.Elsalamony, H.A. (2014). Bank direct marketing analysis of data mining techniques. Network 5,0. International Journal of Computer Applications (0975–8887), 85 (7), 12–22.
5.Kass, G.V. (1980). An exploratory technique for investigating large quantities of categorical data. Journal of the Royal Statistical Society. Series C (Applied Statistics), 29 (2), 119–127.
6.Koronacki, J., Ćwik, J. (2008). Statystyczne systemy uczące się. Warszawa: Exit.
7.Kozak, J. (2011). Algorytmy mrowiskowe do konstruowania drzew decyzyjnych. Nieopublikowana praca doktorska.
8.Kozak, J., Boryczka, U. (2013). Dynamic version of the acdt/acdf algorithm for h-bond data set analysis. Computational Collective Intelligence. Technologies and Applications – 5th International Conference. Craiova, Romania, September 11–13, Proceedings, 701–710.
9.Lim, T.-S., Loh, W.-Y., Shih, Y.-S. (2000). A comparison of prediction accuracy, complexity, and training time of thirtythree old and new classification algorithms. Machine Learning, 40 (3), 203–228.
10.Loh, W.Y., Shih, Y.S. (1997). Split selection methods for classification trees. Statistica Sinica, 815–840.
11.Moro, S., Cortez, P., Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems, 62, 22–31.
12.Moro, S., Laureano, R., Cortez, P. (2011). Using data mining for bank direct marketing: An application of the crisp-dm methodology. Conference-ESM’2011. Eurosis, 117–121.
13.Quinlan, J.R. (1986). Induction of decision trees. Machine Learning, 1 (1), 81–106.
14.Quinlan, J.R. (1993). C4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann.
15.Quinlan, J.R. (1996). Improved use of continuous attributes in c4.5. Journal of Artificial Intelligence Research, 4, 77–90.
16.Rokach, L., Maimon, O. (2008). Data Mining With Decision Trees: Theory And Applications. River Edge, NJ, USA: World Scientific Publishing.
17.Timofeev, R. (2004). Classification and Regression Trees (CART) Theory and Applications. Master’s thesis, Berlin: CASE Humboldt University.
18.Łapczyński, M. (2003). Drzewa klasyfikacyjne w badaniach satysfakcji i lojalności klientów. W: Analiza satysfakcji i lojalności klientów. Zastosowania statystyki i data mining, 93 –102. Kraków: AE w Krakowie.