مشخصات مقاله:
عنوان فارسی مقاله:
دسته بندی مجموعه داده های بانکی بر اساس پلتفورم های داده کاوری
عنوان انگلیسی مقاله:
Classification Of a bank data set on various data mining platforms
کلمات کلیدی مقاله:
داده کاوی، بانکداری، کسب مشتری، برنامه های داده کاوی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
رایانش ابری و مهندسی نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. مرور کلی
A. داده کاوی
B. الگوریتم های دسته بندی مورد استفاده در این مطالعه
C. برنامه های داده کاوی
3. کاربرد
A. مجموعه داده ها
B. معیار ارزیابی عملکرد مدل
4. نتایج و نتیجه گیری
5. بحث
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
The process of extracting meaningful rules from big and complex data is called data mining. Data mining has an increasing popularity in every field today. Data units are established in customer-oriented industries such as marketing, finance and telecommunication to work on the customer churn and acquisition, in particular. Among the data mining methods, classification algorithms are used in studies conducted for customer acquisition to predict the potential customers of the company in question in the related industry. In this study, bank marketing data set in UCI Machine Learning Data Set was used by creating models with the same classification algorithms in different data mining programs. Accuracy, precision and f- measure criteria were used to test performances of the classification models. When creating the classification models, the test and training data sets were randomly divided by the holdout method to evaluate the performance of the data set. The data set was divided into training and test data sets with the 60-40%, 75-25% and 80-20% separation ratios. Data mining programs used for these processes are the R, Knime, RapidMiner and WEKA. And, classification algorithms commonly used in these platforms are the k-nearest neighbor (k-nn), Naive Bayes, and C4.5 decision tree.
چکیده
فرآیند استخراج قوانین معنادار از داده های بزرگ و پیچیده، داده کاوی نامیده می شود. داده کاوی دارای محبوبیت روز افزون در هر زمینه ای است. واحدهای داده در صنایع مشتری محور همانند بازاریابی، امور مالی و مخابرات ایجاد می شوند. در بین روش های داده کاوی، الگوریتم های دسته بندی در مطالعات انجام شده برای دستیابی به مشتری مورد استفاده قرار می گیرند تا مشتریان بالقوه شرکت در دستیابی به صنعت مربوطه را پیش بینی کنند. در این مطالعه، مجموعه داده های بازاریابی در مجموعه داده های یادگیری ماشین UCI با ایجاد مدل ها با همان الگوریتم های دسته بندی در برنامه های مختلف داده کاوی مورد استفاده قرار گرفته است. معیارهای دقت، صحت و اندازه گیری برای تست عملکرد مدل های دسته بندی مورد استفاده قرار گرفته است. در هنگام ایجاد مدل های دسته بندی، مجموعه داده های تست و آموزش توسط روش بسط یافته به طور تصادفی تفکیک شده است تا عملکرد مجموعه داده ها مورد ارزیابی قرار گیرد. این مجموعه داده ها به مجموعه داده های آموزش تست با نسبت های تفکیک 60 تا 40 درصد، 75 تا 20 درصد و 80 تا 20 درصد تقسیم می شود. برنامه های داده کاوی مورد استفاده برای این فرآیندها شامل R، Knime، RapidMiner و WEKA است. الگوریتم های دسته بندی به طور متداول که در این الگوریتم ها مورد استفاده قرار می گیرند شامل k همسایه نزدیک (k-nn)، Naive Bayes و درخت تصمیم C4.5 است.