Prediction of Student Decisions in Choosing the Type of Bank Using Support Vector Machine (SVM)

نویسندگان

چکیده

A bank is an intermediate financial institution authorized to take deposits, lend money, and issue promissory notes or banknotes. In the present day, every adult must have at least one account. Additionally, services range from regular hajj savings large-scale loans. Students, of bank’s customers, usually utilize confined preserve pocket money received their parents ordinary transactions like transfers payments. Several factors, including atmosphere, administrative fees, accessibility ATMs branch offices, impact students’ decisions about where save money. It prevents predicting which be enhanced encourage particularly students, select bank. Therefore, prediction required ascertain choice This study employed data mining Support Vector Machine (LibSVM) algorithm. The quantity impacted outcomes SVM classification. addition, kernel types, k-fold values, sampling techniques also influenced classification accuracy. LibSVM with a type RBF, 8, shuffled classified 200 accuracy 68.40%.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

the role of type-d personality, social support and self-compassion in prediction of health behaviors in coronary heart disease patients

نظر به اهمیت و تاثیر روزافزون عوامل روانی – اجتماعی در سلامت جسمی و تاثیر عوامل روان شناختی در بروز بیماریهای مختلف از جمله بیماریهای قلبی و عروقی این پژوهش با هدف کلی بررسی ارتباط تیپ شخصیتی d ، حمایت اجتماعی و خود دلسوزی در پیش بینی رفتارهای بهداشتی بیماران کرونر قلبی و تعیین تفاوت بین بیماران کرونر قلبی با و بدون جراحی و افراد سالم در این متغیرها و رفتارهای بهداشتی آنان، انجام گرفت. جامعه آ...

15 صفحه اول

Carbon Monoxide Prediction in the Atmosphere of Tehran Using Developed Support Vector Machine

Air quality prediction is highly important in view of the health impacts caused by exposure to air pollutants in urban air. This work has presented a model based on support vector machine (SVM) technique to predict daily average carbon monoxide (CO) concentrations in the atmosphere of Tehran. Two types of SVM regression models, i.e. -SVM and -SVM techniques, were used to predict average daily C...

متن کامل

Carbon Monoxide Prediction in the Atmosphere of Tehran Using Developed Support Vector Machine

Air quality prediction is highly important in view of the health impacts caused by exposure to air pollutants in urban air. This work has presented a model based on support vector machine (SVM) technique to predict daily average carbon monoxide (CO) concentrations in the atmosphere of Tehran. Two types of SVM regression models, i.e. -SVM and -SVM techniques, were used to predict average daily C...

متن کامل

Bubble Pressure Prediction of Reservoir Fluids using Artificial Neural Network and Support Vector Machine

Bubble point pressure is an important parameter in equilibrium calculations of reservoir fluids and having other applications in reservoir engineering. In this work, an artificial neural network (ANN) and a least square support vector machine (LS-SVM) have been used to predict the bubble point pressure of reservoir fluids. Also, the accuracy of the models have been compared to two-equation stat...

متن کامل

metrics for the detection of changed buildings in 3d old vector maps using als data (case study: isfahan city)

هدف از این تحقیق، ارزیابی و بهبود متریک های موجود جهت تایید صحت نقشه های قدیمی سه بعدی برداری با استفاده از ابر نقطه حاصل از لیزر اسکن جدید شهر اصفهان می باشد . بنابراین ابر نقطه حاصل از لیزر اسکنر با چگالی حدودا سه نقطه در هر متر مربع جهت شناسایی عوارض تغییر کرده در نقشه های قدیمی سه بعدی استفاده شده است. تمرکز ما در این تحقیق بر روی ساختمان به عنوان یکی از اصلی ترین عارضه های شهری می باشد. من...

ذخیره در منابع من


  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ژورنال

عنوان ژورنال: Emerging Information Science and Technology

سال: 2023

ISSN: ['2722-6050', '2722-6042']

DOI: https://doi.org/10.18196/eist.v3i1.16889