فیروزه پایدار - دانشجوی کارشناسی ارشد کامپیوتر دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران
بهزاد زمانی دهکردی - عضو هییت علمی دانشگاه آزاد اسلامی، واحد شهرکرد، شهرکرد، ایران
فرساد زمانی بروجنی - عضو هییت علمی دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران

تحلیل داده های مشترکین در زمینه پیش بینی ریزش مشترکین،جذب مشترکین جدید، رسیدگی به شکایات ونارضایتی مشترکین جهت بهبود خدمات رسانی و ارایه محصولات جدید در سازمان ها بسیار مورد توجه قرار گرفته است. از اینرو با تکنیک های داده کاوی می توان مدلی برای پیش بینی مشترکین شاکی استخراج نمود.در ابتدا شکایات مشترکین جمع آوری شد که برخی از انواع شکایات دارای نمونه های کم، برخی دارای نمونه های زیادی هستند. لذا مجموعه دادگان جمع آوری شده نامتوازن هستند. تحقیقات بسیاری برای دسته بندی دادگان نامتوازن از قبیل زیرنمونه برداری، پیش نمونه برداری، بیش نمونه برداری مصنوعی دسته اقلیت، اصلاح الگوریتم های یادگیری و یا روش های ترکیبی مانند: کیسه ای، افزایشی و جنگل های تصادفی انجام گردیده است. در این مقاله، الگوریتم پیشنهادی ترکیبی از Balance K-means و RUSBOOST (ترکیب طبقه بندها) می باشد. طبقه بندهای پایه استفاده شده در این مقاله k نزدیکترین همسایه، ماشین بردار پشتیبان و درخت تصمیم C4.5 است. در واقع با استفاده از خوشه بندی Balance K-means نزدیکترین همسایه، ماشین بردار پشتیبان و درخت تصمیم c4.5 است. در واقع با استفاده از خوشه بندی Balance K- means یک گام پیش پردازش به منظور متوازن نمودن داده ها اعمال کرده ایم که راه حل موثری برای این مسیله است. سپس برای افزایش کارایی از ترکیب طبقه بندها استفاده نموده ایم. نتایج نشان می دهد که روش پیشنهادی نسبت به سایر روش ها نتیجه بهتری دارد.

ریزش مشترکین، دادگان نامتوازن، ترکیب طبقه بندی ها، خوشه بندی Balance K-means