Araştırma Makalesi
BibTex RIS Kaynak Göster

DİJİTAL REKLAM VERİLERİNDEN YARARLANARAK POTANSİYEL KONUT ALICILARININ RASTGELE ORMAN YÖNTEMİYLE SINIFLANDIRILMASI

Yıl 2019, Cilt: 3 Sayı: 1, 28 - 45, 15.03.2019

Öz

Kaynakça

  • Bauer, E. ve Kohavi, R. (1999). An Empirical Comparison of Voting Classification Algorithms : Bagging , Boosting , and Variants. Machine Learning, 36: 105–139.
  • Breiman, L. (1996). Bagging Predictors. Machine Learning, 24: 123–140.
  • Breiman, L. (1999). Random Forests - Random Features, Tecnical Report 567, Statistic Department, University of California, Berkeley, 1–29. (https://www.stat.berkeley.edu/~breiman/random-forests.pdf, erişim tarihi:08.10.2018).
  • Breiman, L. (2001). Random forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/A:1010933404324
  • Chen, C., Liaw, A. ve Breiman, L. (1999). Using Random Forest to Learn Imbalanced Data, 1–12.
  • Cohen, J. (1960). A coefficient of agreement for nominal scales, Educational and Psychological Measurement 20(1): 37-46
  • Han, J., Kamber, M. ve Pei, J. (2012). Data Mining Concepts and Techniques Third Edition. Simon Fraser University: Morgan Kaufman Publıshers.
  • Ho, T. K. (1998). The Random Subspace Method for Constructing Decision Forests, IEEE Trans. Pattern Anal. Mach. Intell. 20: 832-844.
  • James, G., Witen, D., Hastie, T. ve Tibshirani, R. (2014). An Introduction to Statistical Learning with Applications in R,. Performance Evaluation, 64. https://doi.org/10.1016/j.peva.2007.06.006
  • Liaw,A. ve Wiener, M. (2002). Classification and Regression by randomForest. R News 2(3),18-22.
  • Mingers, J. (1989). An empirical comparison of selection measures for decision tree induction. Machine Learning, 3: 319–342. https://doi.org/10.1007/BF00116837
  • Polikar, R. (2006). Ensemble based systems in decision making. IEEE Circuits and Systems Magazine, 6(3): 21–44. https://doi.org/10.1109/MCAS.2006.1688199.
  • R Core Team (2017). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, URL http://www.R-project.org/.
  • Rokach, L. ve Maimon, O. (2014). Data Mining With Decision Tree Theory and Applications, 2.Edition, World Scientific Publishing.
  • Skurichina, M. ve Duin, R. P. W. (2002). Bagging, boosting and the random subspace method for linear classifiers. Pattern Analysis and Applications, 5(2), 121–135. https://doi.org/10.1007/s100440200011.
  • Uzbaş, B.(2017), Sayısal Dental Modellerden Otomatik Cinsiyet Tespiti, Konya (Doktora Tezi).
  • Yürekli,K..(2016). Dijital Reklamcılıkta Reklam Ajansı - Reklam Veren İlişkisinin Analizi, İstanbul, (Yüksek Lisans Tezi)

CLASSIFICATION OF POTENTIAL RESIDENTIAL BUYERS BY USING RANDOM FOREST METHOD TAKING ADVANTAGE DIGITAL ADVERTISING DATA

Yıl 2019, Cilt: 3 Sayı: 1, 28 - 45, 15.03.2019

Öz

Günümüzde internet ağlarının yaygınlaşması ve
internete erişimin bir ihtiyaç haline gelmesi internet sitelerinde ve diğer
dijital platformlardaki reklamların kullanılmasını yaygınlaştırmıştır. Dijital
reklamcılık olarak adlandırılan bu süreç firmalar, markalar ve diğer kuruluşlar
için insanlara ulaşma ve reklam amaçları doğrultusunda hedeflerini
gerçekleştirmelerinde gerekli bir reklam aracı olmuştur.  En önemli özelliği ölçülebilir olan dijital
reklamcılık, firmalara çok geniş veriler (istatistikler) sağlamaktadır.
Firmalar bu verileri kullanıp dijital reklamların değerlendirmesini yaparak
gelecek reklam planları için ön görüye sahip olurlar. Bu çalışmanın amacı bir
inşaat firmasının dijital reklam kampanyasından elde edilen kullanıcı
verilerini kullanarak bir sınıflandırma yapmaktır.  Kullanıcıların satış ofisine gelip
gelmediklerinin kaydının tutulduğu veriler analiz edilerek bir sınıflandırıcı
oluşturulmuştur. Bundan sonraki süreçte reklamlarla elde edilen kullanıcı
verileri bu sınıflandırıcı kullanılarak sınıflandırılabilir. Böylece
kullanıcıların satış ofisine gelip gelmemeleriyle ilgili bir ön bilgi elde
edilir. Firma bu ön bilgi sayesinde satış ve pazarlama hedeflerini daha doğru
bir şekilde belirleyebilir. Çalışmanın amacı doğrultusunda bağımlı değişken
olarak kullanıcıların satış ofisine gelip gelmemesi, bağımsız değişken olarak
ise dijital reklamlar sayesinde kullanıcın iletişim bilgilerini hangi gün firma
çalışanlarına gönderdiği, kullanıcının cinsiyeti, reklamı hangi sitede görüp
siteye geldiği, reklamı hangi reklam alanında (doğal, 300*250 görsel boyutlu
vb.) gördüğü, hangi cihazdan (bilgisayar veya telefon) gördüğü, kullanıcının
daha önce ilgili firmada kayıtlı olup olmaması ve bu formu hangi amaçla
doldurduğu (yatırım, ev sahibi olma vb.) olmak üzere toplamda 7 adet bağımsız
değişken kullanılmıştır. Uygulamada R programından yararlanılmış  ve verileri analiz etmek için bir topluluk
öğrenme algoritması olan Rastgele Orman Yöntemi kullanılmıştır. Temelinde karar
ağaçları olan bu yöntem diğer sınıflandırma algoritmalarına göre daha iyi
sonuçlar vermiştir.

Kaynakça

  • Bauer, E. ve Kohavi, R. (1999). An Empirical Comparison of Voting Classification Algorithms : Bagging , Boosting , and Variants. Machine Learning, 36: 105–139.
  • Breiman, L. (1996). Bagging Predictors. Machine Learning, 24: 123–140.
  • Breiman, L. (1999). Random Forests - Random Features, Tecnical Report 567, Statistic Department, University of California, Berkeley, 1–29. (https://www.stat.berkeley.edu/~breiman/random-forests.pdf, erişim tarihi:08.10.2018).
  • Breiman, L. (2001). Random forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/A:1010933404324
  • Chen, C., Liaw, A. ve Breiman, L. (1999). Using Random Forest to Learn Imbalanced Data, 1–12.
  • Cohen, J. (1960). A coefficient of agreement for nominal scales, Educational and Psychological Measurement 20(1): 37-46
  • Han, J., Kamber, M. ve Pei, J. (2012). Data Mining Concepts and Techniques Third Edition. Simon Fraser University: Morgan Kaufman Publıshers.
  • Ho, T. K. (1998). The Random Subspace Method for Constructing Decision Forests, IEEE Trans. Pattern Anal. Mach. Intell. 20: 832-844.
  • James, G., Witen, D., Hastie, T. ve Tibshirani, R. (2014). An Introduction to Statistical Learning with Applications in R,. Performance Evaluation, 64. https://doi.org/10.1016/j.peva.2007.06.006
  • Liaw,A. ve Wiener, M. (2002). Classification and Regression by randomForest. R News 2(3),18-22.
  • Mingers, J. (1989). An empirical comparison of selection measures for decision tree induction. Machine Learning, 3: 319–342. https://doi.org/10.1007/BF00116837
  • Polikar, R. (2006). Ensemble based systems in decision making. IEEE Circuits and Systems Magazine, 6(3): 21–44. https://doi.org/10.1109/MCAS.2006.1688199.
  • R Core Team (2017). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, URL http://www.R-project.org/.
  • Rokach, L. ve Maimon, O. (2014). Data Mining With Decision Tree Theory and Applications, 2.Edition, World Scientific Publishing.
  • Skurichina, M. ve Duin, R. P. W. (2002). Bagging, boosting and the random subspace method for linear classifiers. Pattern Analysis and Applications, 5(2), 121–135. https://doi.org/10.1007/s100440200011.
  • Uzbaş, B.(2017), Sayısal Dental Modellerden Otomatik Cinsiyet Tespiti, Konya (Doktora Tezi).
  • Yürekli,K..(2016). Dijital Reklamcılıkta Reklam Ajansı - Reklam Veren İlişkisinin Analizi, İstanbul, (Yüksek Lisans Tezi)
Toplam 17 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Haydar Ekelik 0000-0002-0661-4164

Dilek Altaş 0000-0001-5103-9018

Yayımlanma Tarihi 15 Mart 2019
Yayımlandığı Sayı Yıl 2019 Cilt: 3 Sayı: 1

Kaynak Göster

APA Ekelik, H., & Altaş, D. (2019). DİJİTAL REKLAM VERİLERİNDEN YARARLANARAK POTANSİYEL KONUT ALICILARININ RASTGELE ORMAN YÖNTEMİYLE SINIFLANDIRILMASI. Journal of Research in Economics, 3(1), 28-45.