PREDICTING CONSUMER PURCHASING BEHAVIOR USING MACHINE LEARNING METHODS

Alona BOHOLIEPOVA; Tetyana FILIMONOVA

doi:10.17721/3041-2323.2024.388-398

Автор(и)

Олена БОГОЛЄПОВА GoIT Автор
Тетяна ФІЛІМОНОВА Державний торговельно-економічний університет Автор

DOI:

https://doi.org/10.17721/3041-2323.2024.388-398

Ключові слова:

машинне навчання, прогнозування поведінки споживачів, аналіз даних, Random Forest, Gradient Boosting, оптимізація гіперпараметрів, кореляційний аналіз, онлайн-продажі

Анотація

Досліджено застосування методів машинного навчання для прогнозування поведінки споживачів на основі аналізу даних. З використанням набору даних із Kaggle, проведено аналіз і підготовку даних, включаючи видалення дублікатів, масштабування ознак і кореляційний аналіз. Протестовано різні моделі машинного навчання, такі як Random Forest і Gradient Boosting, із застосуванням різних технік, зокрема й оптимізації гіперпараметрів і балансування класів. Результати показали, що використання кореляції ознак та оптимізації гіперпараметрів значно покращує точність моделей, що робить їх ефективними інструментами для прогнозування поведінки споживачів у сфері онлайн-продажів.

Посилання

Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.

Correlation analysis of data: What it is and how to apply it. (n. d.). Retrieved from https://ua5.org

He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284.

Intelliarts. (2024). Machine learning implementation in business [10 use cases]. Retrieved from https://intelliarts.com/blog/machine-learning-business-applications/

Kaggle. (n. d.). Dataset for predicting consumer purchasing behavior. Retrieved from https://www.kaggle.com/datasets/rabieelkharoua/predict-customer-purchasebehavior-dataset

Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Phuoc, T., Anh, P. T. K., Tam, P. H. et al. (2024). Applying machine learning algorithms to predict the stock price trend in the stock market – The case of Vietnam. Humanities and Social Sciences Communications, 11, 393.

PixelPlex. (2023). Top 10 machine learning applications in business [2023 list]. Retrieved from https://pixelplex.io/blog/machine-learning-applications-in-business/

ProjectPro. (2024). Stock closing price prediction using machine learning techniques.

Scikit-learn. (n. d. a). Comparing randomized search and grid search for hyperparameter estimation. Retrieved from https://scikit-learn.org/stable/auto_examples/- model_selection/plot_randomized_search.html

Scikit-learn. (n. d. b). Comparing random forests and histogram gradient boosting models. Retrieved from https://scikit-learn.org/stable/auto_examples/ensemble/- plot_forest_hist_grad_boosting_comparison.html

Scikit-learn. (n. d. c). Data preparation. Retrieved from https://scikitlearn.org/ stable/modules/generated/sklearn.model_selection.train_test_split.html

Scikit-learn. (n. d. d). StandardScaler. Retrieved from https://scikitlearn.org/ stable/modules/generated/sklearn.preprocessing.StandardScaler.html

Simplilearn. (2024a). Master guide on machine learning for stock prediction.

Simplilearn. (2024b). Stock market prediction using machine learning in 2024.

Sonkavde, G., Dharrao, D. S., Bongale, A. M. et al. (2023). Forecasting stock market prices using machine learning and deep learning models: A systematic review, performance analysis and discussion of implications. International Journal of Financial Studies, 11(3), 94.

Zhao, Y., Li, L., Wang, H. et al. (2021). On the impact of sample duplication in machine-learning-based Android malware detection. ACM Transactions on Software Engineering and Methodology, 30(3), Art. 40. Retrieved from https://chapering.github.io/pubs/tosem21impact.pdf