รายละเอียดโครงงาน

หลักสูตร/ปี พ.ศ.
วิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ ปี พ.ศ. 2566

ภาคและปีการศึกษาที่สำเร็จการศึกษา
ภาคต้น ปีการศึกษา 2566

ประเภทโครงงาน
การศึกษาค้นคว้าอิสระ

ชื่อโครงงานภาษาไทย
การแก้ปัญหาข้อมูลไม่สมดุลแบบหลายคลาส สำหรับการทำนายการยกเลิกการใช้บริการอินเทอร์เน็ต

ชื่อโครงงานภาษาอังกฤษ
Multi-class imbalanced data problem solving for predicting internet service cancellation

ผู้พัฒนา
6314552214 นางสาวรักชนก ปิยพาณิชยกุล

อาจารย์ที่ปรึกษาหลัก
กฤษณะ ไวยมัย

อาจารย์ที่ปรึกษาร่วม
จันทนา จันทราพรชัย

บทคัดย่อ

การยกเลิกการใช้บริการเป็นปัญหาที่พบได้ทั่วไปในหลายธุรกิจ โดยเฉพาะอย่างยิ่งกับธุรกิจโทรคมนาคม การจัดการเพื่อลดอัตราการยกเลิกใช้บริการอย่างมีประสิทธิภาพเป็นสิ่งสำคัญที่ธุรกิจต้องการ เพื่อสร้างความประทับใจให้กับลูกค้า ดังนั้นธุรกิจจำเป็นจะต้องเข้าใจถึงเหตุผลที่ลูกค้ายกเลิกการใช้บริการก่อน

ในงานวิจัยนี้ ได้ประยุกต์ใช้การเรียนรู้ของเครื่องโดยใช้เทคนิคการทำนายแบบหลายคลาสกับธุรกิจการให้บริการอินเทอร์เน็ต โดยเสนอการแก้ปัญหาเป็นสองส่วน ได้แก่ 1) แก้ปัญหาข้อมูลไม่สมดุลในระดับข้อมูล โดยใช้เทคนิคการสุ่มเพิ่มข้อมูลด้วย SMOTE 2) แก้ปัญหาข้อมูลไม่สมดุลด้วยการปรับค่าน้ำหนักข้อมูลในกระบวนการเรียนรู้ร่วมกันด้วยเทคนิค XGBoost ผลลัพธ์ที่ได้จากการทำนายพบว่าสามารถทำนายคลาสที่มีข้อมูลขนาดใหญ่และข้อมูลขนาดเล็กได้อย่างเท่าเทียมและแม่นยำ

Abstract

Churn is common problem across various industry, especially in the telecommunication sector. In order to reduce customer churn rates and complete effectively, many telecom companies are recognizing the need to improve customer experience and service. Therefore, understanding the reasons behind customer churn is essential.

In this research, we apply machine learning multi-class classification technique for predicting customer churn to the internet service provider industry. We propose a two-fold approach to address the issue: 1) Handling imbalanced data at the dataset level by utilizing the SMOTE technique to synthetically generate additional data, and 2) Addressing imbalanced data at the learning process level by adjusting the data weights using the XGBoost technique. The resulting XGBoost based classifier is able to predict accurately the majority classes and as well as the minority classes. The combination of SMOTE and XGBoost techniques demonstrates effectiveness in solving imbalanced problem in the case of multi-class datasets.

คำสำคัญ (Keywords)

churn prediction, imbalanced data, multi-class classification, machine learning, ensemble learning

เว็บไซต์โครงงาน
-

วีดีโอคลิปของโครงงาน
-

ที่เก็บเวอร์ชันซอร์สโค้ด

-


สถานะการนำเข้าข้อมูล

ผู้นำเข้าข้อมูลครั้งแรก
นางสาวรักชนก ปิยพาณิชยกุล (g6314552214)

แก้ไขครั้งสุดท้าย
เมื่อ Aug. 14, 2024, 3:57 p.m. โดย นางสาวรักชนก ปิยพาณิชยกุล (g6314552214)

สถานะการอนุมัติ
อนุมัติแล้ว โดย กฤษณะ ไวยมัย (fengknw) เมื่อ Aug. 14, 2024, 4:49 p.m.