Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
Descripción del Articulo
El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresió...
Autores: | , |
---|---|
Formato: | artículo |
Fecha de Publicación: | 2020 |
Institución: | Universidad Nacional Agraria La Molina |
Repositorio: | Revistas - Universidad Nacional Agraria La Molina |
Lenguaje: | español |
OAI Identifier: | oai:revistas.lamolina.edu.pe:article/1610 |
Enlace del recurso: | https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610 |
Nivel de acceso: | acceso abierto |
Materia: | Algoritmo Adaboost regresión logística datos desbalanceados medidas de desempeño curva roc validación cruzada fuga de clientes. |
id |
REVUNALM_796fd1a55ad3c7a71cd1e7946aa3a595 |
---|---|
oai_identifier_str |
oai:revistas.lamolina.edu.pe:article/1610 |
network_acronym_str |
REVUNALM |
network_name_str |
Revistas - Universidad Nacional Agraria La Molina |
repository_id_str |
|
spelling |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvilMeza Rodríguez, Aldo RichardChue Gallardo, JorgeAlgoritmo Adaboostregresión logísticadatos desbalanceadosmedidas de desempeñocurva rocvalidación cruzadafuga de clientes.El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresión logística desde la perspectiva de la minería de datos. Como la variable objetivo de respuesta era desbalanceada se utilizó procedimientos de muestreo para equilibrar los datos (sub-muestreo, sobre-muestreo y SMOTE). Las medidas de desempeño para elegir el modelo fueron la precisión, el recall (sensibilidad), el F-mesausre y el AUC (curvas ROC). La precisión, el recall y el F-mesuare arrojaron rendimientos superiores a favor del algoritmo Adaboost, también la medida principal de desempeño dio un AUC=0,93 para el Adaboost, frente a un AUC=0,86 para la regresión logística. Realizadas todas las comparaciones, la validación y las medidas de desempeño, en conclusión, el modelo óptimo para la predicción de fuga de clientes en la empresa de telefonía móvil es el algoritmo Adaboost. Finalmente, con este algoritmo se detectó que las variables más importantes para entender el patrón de fuga de los clientes fueron el tipo de reclamo, rol del cliente, comunidad (relación del cliente con otros contactos), tipo de cliente, número de reclamos, número de llamadas, nota del cliente y MOU.Universidad Nacional Agraria La Molina2020-12-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdftext/htmlhttps://revistas.lamolina.edu.pe/index.php/ne/article/view/161010.21704/ne.v5i2.1610Natura@economía; Vol. 5 Núm. 2 (2020): Julio a Diciembre; 102-117Natura@economía; Vol. 5 No. 2 (2020): Julio a Diciembre; 102-1172226-9479reponame:Revistas - Universidad Nacional Agraria La Molinainstname:Universidad Nacional Agraria La Molinainstacron:UNALMspahttps://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/pdf_19https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/html_41Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardoinfo:eu-repo/semantics/openAccessoai:revistas.lamolina.edu.pe:article/16102022-03-03T16:33:12Z |
dc.title.none.fl_str_mv |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
title |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
spellingShingle |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil Meza Rodríguez, Aldo Richard Algoritmo Adaboost regresión logística datos desbalanceados medidas de desempeño curva roc validación cruzada fuga de clientes. |
title_short |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
title_full |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
title_fullStr |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
title_full_unstemmed |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
title_sort |
Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil |
dc.creator.none.fl_str_mv |
Meza Rodríguez, Aldo Richard Chue Gallardo, Jorge |
author |
Meza Rodríguez, Aldo Richard |
author_facet |
Meza Rodríguez, Aldo Richard Chue Gallardo, Jorge |
author_role |
author |
author2 |
Chue Gallardo, Jorge |
author2_role |
author |
dc.subject.none.fl_str_mv |
Algoritmo Adaboost regresión logística datos desbalanceados medidas de desempeño curva roc validación cruzada fuga de clientes. |
topic |
Algoritmo Adaboost regresión logística datos desbalanceados medidas de desempeño curva roc validación cruzada fuga de clientes. |
description |
El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresión logística desde la perspectiva de la minería de datos. Como la variable objetivo de respuesta era desbalanceada se utilizó procedimientos de muestreo para equilibrar los datos (sub-muestreo, sobre-muestreo y SMOTE). Las medidas de desempeño para elegir el modelo fueron la precisión, el recall (sensibilidad), el F-mesausre y el AUC (curvas ROC). La precisión, el recall y el F-mesuare arrojaron rendimientos superiores a favor del algoritmo Adaboost, también la medida principal de desempeño dio un AUC=0,93 para el Adaboost, frente a un AUC=0,86 para la regresión logística. Realizadas todas las comparaciones, la validación y las medidas de desempeño, en conclusión, el modelo óptimo para la predicción de fuga de clientes en la empresa de telefonía móvil es el algoritmo Adaboost. Finalmente, con este algoritmo se detectó que las variables más importantes para entender el patrón de fuga de los clientes fueron el tipo de reclamo, rol del cliente, comunidad (relación del cliente con otros contactos), tipo de cliente, número de reclamos, número de llamadas, nota del cliente y MOU. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-30 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610 10.21704/ne.v5i2.1610 |
url |
https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610 |
identifier_str_mv |
10.21704/ne.v5i2.1610 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/pdf_19 https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/html_41 |
dc.rights.none.fl_str_mv |
Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardo info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardo |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf text/html |
dc.publisher.none.fl_str_mv |
Universidad Nacional Agraria La Molina |
publisher.none.fl_str_mv |
Universidad Nacional Agraria La Molina |
dc.source.none.fl_str_mv |
Natura@economía; Vol. 5 Núm. 2 (2020): Julio a Diciembre; 102-117 Natura@economía; Vol. 5 No. 2 (2020): Julio a Diciembre; 102-117 2226-9479 reponame:Revistas - Universidad Nacional Agraria La Molina instname:Universidad Nacional Agraria La Molina instacron:UNALM |
instname_str |
Universidad Nacional Agraria La Molina |
instacron_str |
UNALM |
institution |
UNALM |
reponame_str |
Revistas - Universidad Nacional Agraria La Molina |
collection |
Revistas - Universidad Nacional Agraria La Molina |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1845795039568986112 |
score |
12.9931 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).