Effective customer churn prediction (ECCP)‎ using parallel grey wolf optimizer

Other Title(s)

التوقع الفعال لإعراض الزبون عن الخدمة باستخدام محسن الذئب الرمادي الموازي

Dissertant

Dajani, Ahmad

Thesis advisor

Mafarjah, Majdi

University

Birzeit University

Faculty

Faculty of Engineering and Technology

Department

Department of Computer Science

University Country

Palestine (West Bank)

Degree

Master

Degree Date

2020

Arabic Abstract

اكتسبت خوارزميات الأدلة العليا إهتمام العديد من الباحثين في مجالات التحسين المختلفة.

إختيار الميزة هي مشكلة تحسين اندماجي حيث تستخدم خوارزميات أدلة عليا مختلفة لمعالجتها.

خوارزمية الذئب الرمادي هي خوارزمية حديثة من خوارزميات الادلة العليا القائمة على اساس تعدد الحلول وتتميز باداء جيد في معالجة مشاكل التحسين المختلفة، بما في ذلك مشكلة إختيار الميزة و كغيرها من خوارزميات التحسين الشاملة الاخرى، فإن خوارزمية الذئب الرمادي تعاني من بعض المشاكل التي قد تؤثر على ادائها، و من الامثلة على تلك المشاكل التكدس بجوار الحلول المؤهلة محليا، و مشكلة التنوع في الحلول قدمت هذه الاطروحة خوارزمية جديدة لمحسن الذئب الرمادي بشكل متوازي بهدف الحفاظ على تنوع معقول من الحلول، بالإضافة إلى مساعدة الخوارزمية على الهروب من الحلول المحلية.

تم اقتراح نموذجين متوازيين : الأول متجانس، حيث تم استخدام أربع نسخ من خوارزمية الذئب الرمادي على نفس الحل بينما في النموذج الثاني الغير المتجانس، تم استخدام أربع نسخ من خوارزمية الذئب الرمادي، حيث تعمل كل خوارزمية على استراتيجية تحديث مختلفة على نفس الحل.

تم قياس اداء النماذج المقترحة على مجموعة من بيانات ( UIC ) المعروفة.

التقييم كفاءة الخوارزميات المقترحة، تم إجراء تهجين تجريبيين تضمنت التجربة الأولى مقارنة الخوارزميات المقترحة المستقلة والتعاونية مع الخوارزمية المتسلسلة في هذه التجربة أظهرت الخوارزمية المتوازية المتجانسة المستقلة من محسن الذئب الرمادي أداء جيدا عند مقارنتها بالنسخة المتسلسلة الاصلية وتفوقتت الخوارزمية الغير المتجانسة المستقلة من محسن الذئب الرمادي على كل من الخوارزمية المتسلسلة و الخوارزمية المتجانسة.

علاوة على ذلك، تفوقت الخوارزمية التعاونية الغير المتجانسة على جميع الخوارزميات السابقة من حيث الدقة، و مع ذلك، فإنها تعاني من وقت تنفيذ طويل.

تضمنت التجربة الثانية مقارنة الخوارزميات المقترحة مع تقنيات تعلم ألي مختارة مثل ( CART ) بهدف تقييم النهج المقترحة في دقة التنبؤ بإعراض العملاء المحتملين وفي هذه التجربة تم استخدام بيانات الشركة اتصالات من مستودع بيانات ( Kaggle ).

و أظهرت نتائج هذه التجربة تفوق الخوارزمية التعاونية غير المتجانسة

English Abstract

Metaheuristics algorithms gained the attention of many researchers in different optimization fields.

Feature Selection (FS) is combinatorial optimization problem where different metaheuristics algorithms were used to tackle it.

Grey Wolf Optimizer (GWO) is a recent population based metaheuristic algorithm that showed a good performance in tackling different optimization problems, including the FS problem.

As other global optimization algorithms, GWO suffers from a set of drawbacks (e.g.

stacking at the local optima and population diversity problem) that may degrade its performance.

In this thesis, a novel parallel GWO is proposed in the aim of maintaining a reasonable diversity of the population, in addition to helping the algorithm to escape the local optima.

Two parallel models were proposed; the first one called homogeneous GWO, where four copies of a GWO were employed on the same population.

While in the second approach, which is called heterogeneous GWO, four copies of the GWO, each one with a different updating strategy for the main parameter of the algorithm, were employed on the same population.

The proposed models were bench-marked on a set of well-known UCI datasets.

To assess the efficiency of the proposed algorithms, two experimental approaches were conducted.

The first experiment included comparing the proposed algorithms (independent, cooperative) with the original algorithm.

In this experiment, the independent homogeneous parallel version of the GWO showed a good performance when compared with sequential one, and the independent heterogeneous GWO outperformed both the sequential and homogeneous versions of the GWO.

Moreover, the cooperative heterogeneous algorithm outperformed all previous algorithms in terms of accuracy, however, it suffers from long execution time.

The second experiment included comparing the proposed algorithms with selected machine learning techniques (e.g CART) in term of accuracy.

Telecom company dataset from Kaggle data repository was used in this experiment to evaluate the proposed approach in order to predict the possible churner customers.

The results showed the superiority of the heterogeneous cooperative algorithm.

Main Subjects

Information Technology and Computer Science

Topics

• Algorithms

No. of Pages

91

Table of Contents

• APA
• MLA
• AMA

Language

English

Data Type

Arab Theses

Record ID

BIM-977602