Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Evaluation of machine learning methods to predict payment preferences
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2019 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)Alternativ titel
Utvärdering av maskininlärningsmetoder för att förutsäga betalningspreferenser (Svenska)
Abstract [en]

The last couple of years machine learning has seen a renaissance, with Artificial Neural Networks in particular rising to prominence. The technology is being adopted by more and more businesses, with varying degrees of success. Klarna has already been experimenting with machine learning to predict payment preferences, however currently a hybrid between ad-hoc rules and a random forest model is being used in production. This report aims to find out if a pure machine learning algorithm can outperform a hybrid system for this purpose. To achieve this, four methods were tested; Random Forest, Artificial Neural Net- work, Support Vector Machine and Logistic Regression model. Three of these models outperformed the model in production. Best of these were the Artificial Neural Network which, with a cutoff threshold designed to achieve the same precision, achieved 10 percentage points higher recall. By combining the probabilities produced by an Artificial Neural Network and a Random Forest, even better results could be achieved. That method achieved 11.5 percentage points higher recall than production results with the same precision. It could be shown that the two methods had different strengths and were good at classifying different examples.

Abstract [sv]

Explosionen av maskininlärning, och Artificiella Neurala Nätverk i synnerhet, har resulterat i att tekniken appliceras på allt fler användningsområden. Klarna har redan experimenterat med maskininlärning för att förutsäga betalmetoder, men för närvarande används en hybrid av regler och en Random-Forest modell. Denna rapport ämnar att utreda om en ren maskininlärningsmetod kan överträffa den nuvarande hybridmetoden. För att göra detta testades fyra olika metoder, Random Forest, Neurala Nätverk, Support Vector Machines och Logistic Regression. Det visade sig att tre av dessa presterade bättre än modellen i produktion. Bäst av alla metoder var Neurala Nätverk som var 10 procentenheter bättre än modellen i produktion i recall, med samma precision. Genom att kombinera sannolikheterna från en Random Forest samt ett Neuralt Nätverk kunde ännu bättre resultat uppnås, 11.5 procentenheter bättre i recall än modellen i produktion till samma precision.

Ort, förlag, år, upplaga, sidor
2019. , s. 53
Serie
TRITA-EECS-EX ; 2019:594
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-264504OAI: oai:DiVA.org:kth-264504DiVA, id: diva2:1373851
Externt samarbete
Klarna
Utbildningsprogram
Civilingenjörsexamen - Industriell ekonomi
Handledare
Examinatorer
Tillgänglig från: 2019-11-28 Skapad: 2019-11-28

Open Access i DiVA

fulltext(4817 kB)8 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 4817 kBChecksumma SHA-512
c7bed9b8ffc49daee3d58949f0f1ea7d0cbe608bfa1c13f750e05778724cc2b67ed01faa9e3e270e4d395a82512a21a16912a89e4f8ab844c9edf8c517d33577
Typ fulltextMimetyp application/pdf

Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 8 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 35 träffar
RefereraExporteraLänk till posten
Permanent länk

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