ارائه الگوريتم پويا با استفاده از مدل‌هاي فرااكتشافي در جريان داده‌ها براساس نمونه‌گيري مجدد به منظور ارتقاء پيش‌بيني پاسخ مشتريان

زمينه و هدف: هدف از پژوهش حاضر مواجهه با مشكل عدم توازن داده‌ها به عنوان يك مسئله نهادينه شده در حوزة تحقيقات علوم انساني‌ است. عدم توازن در بين داده‌هاي متعلق به كلاس اقليت و اكثريت باعث تمايل الگوريتم‌هاي طبقه‌بند به سمت كلاس اكثريت مي‌شود. روش‌شناسي: در اين پژوهش پس از بررسي داده‌هاي اوليه و ملاحظة ضعف و مشكل الگوريتم‌هاي پيش‌بيني براي اين داده‌ها، از روش‌هاي مختلف متوازن‌سازي داده‌ها و تقويت قدرت پيش‌بيني الگوريتم‌ها بر اساس مدل‌هاي فرااكتشافي استفاده شده است. يافته‌ها: نتايج نشان داد كه با استفاده از داده‌هاي اوليه به هيچ وجه نمي‌توان به يك پيش‌بيني قابل اتكا و قابل استفاده دست ‌يافت. به كارگيري روش‌هاي نمونه‌گيري مجدد با استفاده از خوشه‌بندي مشتريان و تركيب كلاس‌هاي اقليت و اكثريت به روش‌هاي مختلف و مطابق با الگوريتم ارائه شده مي‌تواند توان پيش‌بيني طبقه‌بند‌ها را به طرز شگفت‌انگيزي افزايش داده و در موقعيت‌هاي مختلف مورد استفاده قرار گيرد. نتيجه‌گيري: اين پژوهش با استفاده از نتايج حاصل از كدهاي XML استخراج شده در هر مرحله به شناسايي هر چه دقيق‌تر مشتريان بالقوه پرداخته و نيز با تركيب معيارهاي مختلف ارزيابي مدل به روشي ابتكاري در جهت تغيير خروجي مدل‌هاي پيش‌بيني از حالت باينري به فازي، گامي فراتر از يافته‌ها و نتايج پژوهش‌هاي پيشين برداشته شده است.