پیش‌بینی موفقیت اولیه: استفاده از یادگیری ماشین

توضیحات کلی پروژه رو در زیر میتونید ببینید. فایل کدها و داده چون بزرگ هست رو میتونم به صورت لینک درایو در اختیار بذارم. آیا می توان موفقیت محصولات، خدمات یا شرکت ها را با مشاهده گروه کوچکی از مصرف کنندگان پیش بینی کرد؟ تحقیقات قبلی عمدتاً تأثیر و توانایی‌های پیش‌بینی افراد مرکزی با شبکه‌های اجتماعی گسترده را بررسی می‌کردند، اما این یافته‌ها عموماً برای شرکت‌هایی که به چنین داده‌های شبکه‌ای دسترسی ندارند، عملی نیستند. این پایان نامه تمرکز را به گروه کوچکی از پذیرندگان اولیه، معروف به «کشف‌کنندگان» می‌برد، که از طریق الگوهای پذیرش قابل شناسایی هستند و انتخاب‌های اولیه آن‌ها شاخص‌های قابل اعتمادی از موفقیت برای سرمایه‌گذاری‌ها و محصولات جدید ارائه می‌دهند. اگرچه مطالعات قبلی ما قابلیت های پیش بینی این کاشفان را تایید کرده است، اما کارایی الگوریتم مورد استفاده برای شناسایی آنها به طور کامل بهینه نشده است. هدف این مطالعه بهبود فرآیند شناسایی کاشف با استفاده از استراتژی‌های اساسی یادگیری ماشین، به‌کارگیری آن‌ها در داده‌های موجود از Yelp و یک جامعه آنلاین گسترده است. ما الگوریتم های اولیه ای را برای شناسایی کاشفان و انجام پیش بینی ارائه خواهیم داد. اهداف اولیه عبارتند از: 1) ارزیابی دقت پیش‌بینی روش‌های مختلف برای شناسایی کاشفان، تغییر بازه‌های زمانی شناسایی اولیه و درصد سرمایه‌گذاری‌های موفق شناسایی‌شده، و تحلیل پیامدهای بهبود عملکرد. 2) اعتبار متقاطع را برای تنظیم دقیق هایپرپارامترها برای روش جنگل تصادفی اعمال کنید و احتمالاً کاربرد آن را در مدل های دیگر بررسی کنید. 3) اثربخشی پیش‌بینی الگوریتم‌های مختلف مانند XGboost و رگرسیون لجستیک را با رویکرد جنگل تصادفی مقایسه کنید. Is it possible to forecast the success of products, services, or enterprises by observing a small group of consumers? Previous research primarily examined the influence and forecasting abilities of central individuals with extensive social networks, but these findings are generally not practical for companies without access to such network data. This dissertation shifts the focus to a minor group of early adopters, known as "discoverers," who are identifiable through adoption patterns and whose initial choices provide dependable indicators of success for new ventures and products. Although our previous studies have confirmed the predictive capabilities of these discoverers, the efficiency of the algorithm used to identify them has not been fully optimized. This study aims to enhance the discoverer identification process using fundamental machine learning strategies, applying them to existing data from Yelp and a vast online community. We will provide preliminary algorithms for identifying discoverers and making predictions. The primary goals are: 1) Evaluate the forecasting accuracy of various methods for identifying discoverers, altering the early identification time frames and the percentage of identified successful ventures, and analyze the implications for performance improvement. 2) Apply cross-validation to fine-tune hyperparameters for the random forest method and possibly explore its application to other models. 3) Compare the forecasting effectiveness of different algorithms, such as XGboost and logistic regression, against the random forest approach.