كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

التنبؤ بمغادرة العملاء

متوسطتصنيف Classification

وصف المشكلة

التنبؤ بالعملاء المرجح مغادرتهم من مدة الاشتراك والرسوم ونوع العقد وتذاكر الدعم، لتوجيه حملات الاحتفاظ. البيانات اصطناعية، معدل المغادرة فيها 46.2%.

الأهداف

  • ترميز المتغيرات الفئوية
  • مقارنة مصنفات ومنحنى ROC
  • تحويل الاحتمالات إلى قرار عملي

نوع المشكلة

تصنيف Classification

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. في KNIME: File ← Import KNIME Workflow… واختر customer-churn.knwf، ثم Execute all.
  2. افتح customer-churn.ows في Orange.
  3. قارن Logistic Regression وTree وRandom Forest في Test and Score.
  4. افتح ROC Analysis للفئة yes.
  5. في KNIME: CSV Reader ← One to Many (contract) ← Partitioning ← Logistic Regression Learner/Predictor ← Scorer وROC Curve.

مخطط سير العمل

Orange

DataEvaluateModelVisualize

File FileData Table Data TableTest and Score Test and ScoreLogistic Regression LogisticRegressionTree TreeRandom Forest Random ForestConfusion Matrix Confusion MatrixROC Analysis ROC AnalysisScatter Plot Scatter PlotDataDataLearnerLearnerLearnerEvaluation ResultsEvaluation ResultsData
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: العناصر (Widgets) وأيقوناتها وألوان فئاتها وأسماء القنوات على الروابط كما تظهر عند فتحه في Orange.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (8)
  • File → Data Table (Data)
  • File → Test and Score (Data)
  • Logistic Regression → Test and Score (Learner)
  • Tree → Test and Score (Learner)
  • Random Forest → Test and Score (Learner)
  • Test and Score → Confusion Matrix (Evaluation Results)
  • Test and Score → ROC Analysis (Evaluation Results)
  • File → Scatter Plot (Data)

KNIME

مصدر (Source)معالجة (Manipulator)متعلّم (Learner)متنبّئ (Predictor)عرض (Visualizer)أداة/تقييم (Other)منفذ بياناتمنفذ نموذج

CSV Reader — مصدر (Source)CSV ReaderNode 1One to Many — معالجة (Manipulator)One to ManyNode 2Partitioning — معالجة (Manipulator)PartitioningNode 3Logistic Regression Learner — متعلّم (Learner)Logistic RegressionLearnerNode 4Logistic Regression Predictor — متنبّئ (Predictor)Logistic RegressionPredictorNode 5Scorer — أداة/تقييم (Other)ScorerNode 6ROC Curve — عرض (Visualizer)ROC CurveNode 7
عُقد KNIME (Nodes) بأسمائها في مستودع العُقد وأيقوناتها الأصلية ولون نوعها وشكلها ومنافذها (المثلث للبيانات والمربع للنموذج) وإشارة الحالة، لتبنيها بالترتيب نفسه. وملف سير العمل الجاهز بصيغة KNWF مرفق في «ملفات المشروع»، وقد نُفّذ بنجاح في محرك KNIME 5.12.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (7)
  • CSV Reader → One to Many
  • One to Many → Partitioning
  • Partitioning → Logistic Regression Learner
  • Logistic Regression Learner → Logistic Regression Predictor
  • Logistic Regression Predictor → Scorer
  • Partitioning → Logistic Regression Predictor
  • Logistic Regression Predictor → ROC Curve

ملفات المشروع

ملف KNIME (.knwf) بُني على KNIME 5.12 ونُفّذت كل عُقده بنجاح في محرك KNIME دون فتح الواجهة؛ افتحه من File ← Import KNIME Workflow.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع scikit-learn 1.9.1، 10-fold stratified CV, shuffle, random_state=42:
• Logistic Regression: Accuracy 74.4% (± 5.2%)، F1-macro 0.741
• Decision Tree: Accuracy 65.9% (± 4.3%)، F1-macro 0.657
• Random Forest: Accuracy 69.7% (± 5.4%)، F1-macro 0.693
ونتائج مكتبة Orange 3.41.0 (10-fold، كإعدادات Test and Score الافتراضية):
• Logistic Regression: CA 74.0%، F1 0.739، AUC 0.816
• Tree: CA 64.9%، F1 0.649، AUC 0.621
• Random Forest: CA 68.0%، F1 0.678، AUC 0.746

مقاييس التقييم

  • Accuracy
  • ROC AUC
  • Precision وRecall للفئة yes

تفسير النتائج

الانحدار اللوجستي الأفضل هنا (نحو 74%) لأن العلاقة في البيانات المولدة قريبة من الخطية، والشجرة المنفردة الأضعف. الدقة المتوسطة متوقعة: المغادرة تتأثر بعوامل غير موجودة في الجدول.

أسئلة للمناقشة

  • ما تكلفة السلبي الكاذب مقابل الإيجابي الكاذب في حملة احتفاظ؟
  • لماذا تفوق النموذج الأبسط على الغابة العشوائية؟
  • ما الخصائص الإضافية التي تقترح جمعها؟

جرّبه في مختبر مقارنة النماذج

مشاريع مشابهة