Abstract
Havayolu taşımacılığında seyahatinden memnun olmayan müşterilerin tahmin edilmesi, firmaların kendilerini yapılandırması ve gelirlerinin yönetilmesi açısından son derece önemlidir. Gerçekleştirilen çalışmada, Avrupa’daki havayollarından derlenen veriler kullanılarak uçuş seyahatinden nötr ya da memnun olmayan müşterilerin makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmıştır. Modelleme aşamasında, sınıflandırma problemlerinde yüksek tahmin doğruluğu üreten ve güncel makine öğrenmesi yöntemlerinden Rastgele Orman, Gradient Boost ve XGB yöntemleri kullanılmıştır. Elde dilen en iyi doğruluk oranı %96,4 iken en iyi Özgüllük ve Negatif Tahmin Oranı değerleri sırasıyla %97,7 ve %96’dır. Model sonuçlarından elde edilen yüksek Özgüllük, Negatif Tahmin Oranı ve Doğruluk değerleri, makine öğrenmesi yöntemlerinin havayolu taşımacılığında müşterilerin havayolu firmasını tekrar kullanıp kullanmayacağı tahmin işlemlerinde kullanılabileceğini göstermektedir.
Reference36 articles.
1. Abdi, A. M. (2020). “Land Cover And Land Use Classification Performance of Machine Learning Algorithms In A Boreal Landscape Using Sentinel-2 Data”, GIScience & Remote Sensing, 57(1), 1-20.
2. Agarwal, I., & Gowda, K. R. (2021). “The Effect of Airline Service Quality on Customer Satisfaction And Loyalty In India”. Materials Today: Proceedings, 37, 1341-1348.
3. Al Daoud, E. (2019). “Comparison Between Xgboost, Lightgbm And Catboost Using A Home Credit Dataset”, International Journal of Computer and Information Engineering, 13(1), 6-10.
4. Alpaydin, E. (2010). Introduction To Machine Learning (second edition), The MIT Press
Cambridge, Massachusetts, London, England.
5. An, M., & Noh, Y. (2009). “Airline Customer Satisfaction And Loyalty: Impact of In-Flight Service Quality”, Service Business, 3, 293-307.
Cited by
3 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献