Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Non-Contractual Churn Prediction with Limited User Information
KTH, Skolan för teknikvetenskap (SCI), Matematik (Inst.), Matematisk statistik.
2019 (engelsk)Independent thesis Advanced level (degree of Master (Two Years)), 20 poäng / 30 hpOppgaveAlternativ tittel
Förutsägning av avtalslöst tittaravhopp med begränsad användarinformation (svensk)
Abstract [en]

This report compares the effectiveness of three statistical methods for predicting defecting viewers in SVT's video on demand (VOD) services: logistic regression, random forests, and long short-term memory recurrent neural networks (LSTMs). In particular, the report investigates whether or not sequential data consisting of users' weekly watch histories can be used with LSTMs to achieve better predictive performance than the two other methods. The study found that the best LSTM models did outperform the other methods in terms of precision, recall, F-measure and AUC – but not accuracy. Logistic regression and random forests offered comparable performance results. The models are however subject to several notable limitations, so further research is advised.

Abstract [sv]

Den här rapporten undersöker effektiviteten av tre statistiska metoder för att förutse tittaravhopp i SVT:s playtjänster: logistisk regression, random forests och rekurrenta neurala nätverk av varianten long short-term memory (LSTM:s). I synnerhet försöker studien utröna huruvida sekventiell data i form av tittares veckovisa besökshistorik kan användas med LSTM:s för att nå bättre prediktionsprestanda än de övriga två metoderna. Studien fann att LSTM-modeller genererade bättre precision, täckning, F-mått och AUC – men inte träffsäkerhet. Prestandan av logistisk regression och random forests visade sig vara jämförbara. På grund av modellernas många begränsningar finns det dock gott om utrymme för vidare forskning och utveckling.

sted, utgiver, år, opplag, sider
2019.
Serie
TRITA-SCI-GRU ; 2019:08
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-252343OAI: oai:DiVA.org:kth-252343DiVA, id: diva2:1320100
Eksternt samarbeid
SVT AB
Fag / kurs
Mathematical Statistics
Utdanningsprogram
Master of Science - Applied and Computational Mathematics
Veileder
Examiner
Tilgjengelig fra: 2019-06-04 Laget: 2019-06-04 Sist oppdatert: 2019-06-11bibliografisk kontrollert

Open Access i DiVA

fulltext(1142 kB)42 nedlastinger
Filinformasjon
Fil FULLTEXT02.pdfFilstørrelse 1142 kBChecksum SHA-512
63db2532a316b99a523de4b27e2c0bb3f76dd9a30709d317c18a007fc52724bd3dbfa17d973d51dc8b2574b3c6fd70a0c6df8a237bbb652d1284b5e4db80e054
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 51 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 245 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf