بررسي عملكرد الگوريتم ماشين بردار پشتيبان قطبي براي طراحي سيستم پيش‌بيني‌كننده براي داده‌هاي بازاريابي بانك

Performance Review for Application of Polar Support Vector Machine Algorithm for Designing a Predictive System for Bank Marketing Data Set

يكي از مسائل مهم در بازاريابي اينترنتي يافتن راههاي كارآمد براي بدست آوردن، بيان و استفاده كردن از اطلاعات موجود در داده‌هاي بازاريابي مي‌باشد. به بيان بهتر استفاده از تكنيكهاي داده‌كاوي بر روي دادههاي مربوط به بازاريابي اينترنتي مي‌تواند براي ما بسيار كارساز باشد. يكي از كارهاي بسيار رايج در اين زمينه دستهبندي مي‌باشد، كه مي‌توان از آن براي پيشبيني امري با توجه به اطلاعات موجود بهره برد. در اين تحقيق دادههاي موردنظر دادههاي يك موسسهي بانكي پرتقالي مي‌باشد و هدف در آن پيش‌بيني موافقت يا عدم موافقت يك مشتري براي يك سپردهي مدتدار است. براي اين منظور در اين تحقيق از روش ماشين بردار پشتيبان قطبي پيشنهاد شده توسط آقايان نجفي و ندايي بهره گرفته و عملكرد آن با ديگر روش‌هاي ارائه شده‌ي پيشين همانندHMC, Hybrid RBF-SVM, J48, RBFN, NB, IB1, DS-Gamma, … مقايسه شده است. با توجه به نتايج حاصله مشاهده مي‌شود كه ماشين بردار پشتيبان قطبي دقت عملكردي بهتري نسبت به ساير روشهاي پيشنهاد شده براي اين دادههاي خاص دارد.

One of the important issues in internet marketing is to find efficient methods for gaining, stating and application of the information inside the marketing data. In other words, application of data mining techniques over internet marketing data can be beneficial for us. One of the prevailing application of data mining is classification, which can be applied for prediction regarding the available data. The utilized data in this research is related with direct marketing campaigns (phone calls) of a Portuguese banking institution. The classification goal is to predict if the client will subscribe a term deposit. For this purpose, in this research we benefited from Polar Support Vector Machine proposed by Nedaie and Najafi to design a predictive system and compared the performance of this method to other proposed methods like HMC, Hybrid RBF-SVM, J48, RBFN, NB, IB1, DS-Gamma, etc. According to the results, we can state that PSVM have a better performance regarding the accuracy compared to other methods considered in this research.