Siamese Networks for Telecommunication Customer Churn Data in a Few-Shot Learning Context
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3147999Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Nøyaktig kundeavgangsforutsigelse er avgjørende for bedrifter som ønsker ̊a beholde sine kunder. Maskinlæringsmodeller presenterer en ny metode for ̊a forutsi hvilke kunder som kan komme til ̊a avslutte kundeforholdet. Dissemodellene lærer fra tidligere merket data for ̊a gjøre informerte beslutninger.Imidlertid har mange bedrifter, spesielt mindre bedrifter, oppstartsbedriftereller bedrifter uten tilgang til store mengder data, ogs ̊a behov for ̊a identifiserekunder som kan avslutte kundeforholdet. Few-shot learning, et underfelt in-nen maskinlæring, presenterer en potensiell løsning ved ̊a muliggjøre nøyaktigeforutsigelser selv med begrensede mengder merket treningsdata.Siamesiske nettverk er en maskinlæringsmodell som vanligvis er kjent for Few-shot learning innen bildeklassifisering. Denne studien undersøker potensialetfor ̊a tilpasse dens Few-shot learning kapasiteter til tabulære data, spesieltinnen telekommunikasjonens kundeavgangsprediksjon.Studien tar sikte p ̊a ̊a besvare hvorvidt Siamesiske nettverk er et potensielt al-ternativ for kundeavgangsprediksjon i telekommunikasjon n ̊ar man bruker tab-ulær data. Samt hvor effektive de er til ̊a forbedre nøyaktigheten til Few-shotlearning modeller n ̊ar de brukes p ̊a kundeavgang prediksjon innen telekommu-nikasjon.Metodikken som er brukt inneholder forbehandling av egenskapsvariabler,inkludert SMOTE for ̊a adressere den vanlige utfordringen med klasseubal-anse som ofte oppleves n ̊ar man arbeider med kundeavgangsdata. En parings-funksjon ble ogs ̊a laget for ̊a forberede dataene for det siamesiske nettverket ipar. Evalueringen ble utført p ̊a to telekommunikasjonskundeavgangsdatasett,Orange og IBM. Modellen ble ogs ̊a sammenlignet med andre tradisjonellemaskinlæringsmodeller for ̊a f ̊a et referansepunkt og gi kontekst for det Siame-siske nettverkets ytelse i forhold til kjente alternativer.Resultatene fra evalueringen viste imponerende resultater fra det siamesiskenettverket p ̊a tabulære data. Det oppn ̊adde 82,4% nøyaktighet p ̊a IBM-datasettetog 93,0% p ̊a Orange-datasettet for den minste utvalgsstørrelsen (5 avgang, 25ikke-avgang), og overgikk alle andre tradisjonelle modeller med god margin.Det hadde ogs ̊a gode resultater p ̊a hele datasettene, og n ̊adde 83,6% og 94,4%for henholdsvis IBM- og Orange-datasettene (kun overg ̊att av Random Foresti begge tilfeller). Studien konkluderer med at siamesiske nettverk tilbyr enny tilnærming for tabulær kundeavgangsforutsigelse, spesielt innen Few-shotlearning, og utvider dermed anvendelsen utover tradisjonell bildeklassifisering. Accurate customer churn prediction is important for businesses seeking toretain their valuable customers who might churn. A new method to accuratelypredict which customer might churn is machine learning models. These modelslearn from prior labeled data to make informed predictions. However, manybusinesses, such as smaller- or startups businesses do not have access to anabundance of data for the model to learn from. Few-shot learning, a subfieldof machine learning, presents a potential solution by enabling accurate pre-dictions even with limited labeled training data.Siamese networks is a machine learning model, typically known for Few-shotlearning scenarios within image classification. This thesis investigates its po-tential to adapt its Few-shot learning capabilities into the realm of tabulardata, specifically within telecommunication churn prediction. The thesis willaim to answer whether Siamese networks are a viable option in telecommu-nication churn prediction when using tabular data, as well as, how effectivethey are in improving the accuracy of Few-shot learning models when appliedto telecommunication customer churn prediction.The methodology taken in use involves feature pre processing, consisting offeature encoding, feature scaling and SMOTE. SMOTE addresses the commonchallenge of class imbalance usually experienced when working with churn pre-diction data. A specialized pairing function was also made to prepare the datafor the Siamese network as pairs. The evaluation of the dataset was performedon two telecommunication churn datasets, Orange and IBM. The model wasalso put up against other traditional machine learning models in a compara-tive analysis to get a benchmark and provide context for the Siamese networkperformance relative to well-known alternatives.Results from the evaluation showcased impressive results from the Siamesenetwork on tabular data, it achieved 82.4% on the IBM dataset & 93.0% onthe Orange dataset for the lowest sample size (5 churn, 25 non-churn) outper-forming all other traditional models with a sizeable margin. It also had goodresults on the whole datasets reaching 83.6% & 94.4% for the IBM- and Orangedatasets respectively (only surpassed by Random Forest on both instances).The study concludes that Siamese networks offer a new approach for tabularchurn prediction, especially within the subfield of Few-shot learning. Thereby,the applicability of Siamese networks is extended beyond image classification.