Could Mobile Applications' Success be Increased via Machine Learning and Business Intelligence Methods?
Autor: | Murat Kilinç, Can Aydin, Cigdem Tarhan |
---|---|
Jazyk: | angličtina |
Rok vydání: | 2020 |
Předmět: |
Decision support system
İş Zekası Makine Öğrenmesi Web Uygulamaları Karar Destek Sistemi Mean squared error Computer science business.industry Business Intelligence Machine Learning Web Applications Decision Support System Decision tree Mühendislik Confusion matrix Context (language use) Machine learning computer.software_genre Random forest Naive Bayes classifier Engineering AdaBoost Artificial intelligence business computer |
Zdroj: | Issue: 20 805-814 Avrupa Bilim ve Teknoloji Dergisi |
ISSN: | 2148-2683 |
Popis: | Son zamanlarda, mobil platformlar için geliştirilen uygulamaların sayısı giderek artmaktadır. Geliştirilen mobil uygulamaların yayınlandığı ana platformlardan birisi olan Google Play Store’da da özellikle açık kaynak kodlu olması sebebiyle, yoğun bir geliştirici ilgisi mevcuttur. Fakat geliştirilen uygulamanın sağlayabileceği başarı ya da hangi özelliklere sahip olması gerektiği gibi unsurlar için geliştiricilerin yararlanabileceği bir platform bulunmamaktadır. Bu çalışmada da bu sorun üzerine gidilmiştir. Bu doğrultuda, geliştirilen uygulamanın özelliklerine göre bir başarı tahminlemesi ve sınıflandırma yapılması amaçlanmıştır. Ayrıca geliştirilen uygulamanın, daha önce geliştirilmiş olan uygulamaların özelliklerine göre iş zekâsı kapsamında değerlendirilmesi de çalışmanın dayanak noktalarından biridir. Araştırma kapsamında, uygulama rating tahminleri için Decision Tree Regressor (DTC), Random Forest Regressor (RFR), K-Neighbors Regressor (KNN) ve AdaBoost Regressor (ABR) kullanılmış ve metriklerin doğruluğu R kare skoru (R2), Mean Square Error (MSE) ve Root Mean Square Error (RMSE) ile test edilmiştir. Sınıflandırma tahminleri için ise Random Forest Classification (RFC), Decision Tree Classification (DTC), K-Neighbors Classification (KNC), MLP Classification (MLP), AdaBoost Classification (ABC) ve Naive Bayes (GNB) algoritmaları kullanılmış ve metriklerin doğruluğu confusion matrix ile test edilmiştir. Bu kapsamda rating tahmini için en iyi sonuçları %80.73 ile DTR ve %82.89 ile RFR, başarı sınıflandırması için en iyi sonuçları ise %86.08 ile DTC, %89.83 ile RFC algoritmaları vermiştir. Çalışma kapsamındaki makine öğrenmesi yönetimleriyle yapılan tüm tahminlemeler dinamik bir şekilde Flask framework kullanılarak web arayüzünde gösterilmiştir. Dolayısıyla, iş zekâsı ile geliştiricilerin karar desteği alabileceği bir platform oluşturulmuş ve ortaya çıkan sonuçlar analiz edilerek çalışma içerisine aktarılmıştır. Bu sayede, mobil uygulama geliştiricileri varsa eksikliklerini görebilecekler ve başarı anlamında bir öngörüye sahip olabileceklerdir. Recently, the number of applications developed for mobile platforms is increasing. Google Play Store, one of the leading platforms where the developed mobile applications are published, has an intense developer interest due to its open-source code. However, there is no platform that developers can benefit from for the factors such as the success that the developed application can provide or what features it should have. This study also addressed this problem. In this direction, it is aimed to make a success estimation and classification according to the features of the developed application. Also, the evaluation of the developed application within the scope of business intelligence, according to the previously developed applications' characteristics is one of the main points of the study. Within the scope of the research, Decision Tree Regressor (DTC), Random Forest Regressor (RFR), K-Neighbors Regressor (KNN), and AdaBoost Regressor (ABR) were used for application rating estimates and the accuracy of the metrics was determined by the R square score (R2), Mean Square Error (MSE), and Root Mean Square Error (RMSE). Random Forest Classification (RFC), Decision Tree Classification (DTC), K-Neighbors Classification (KNC), MLP Classification (MLP), AdaBoost Classification (ABC) and Naive Bayes (GNB) algorithms were used for classification estimates. The accuracy of the algorithms has been tested with a confusion matrix. In this context, the best results for rating estimation were DTR with 80.73% and RFR with 82.89%, DTC gave the best results for success classification with 86.08% and RFC with 89.83%. All predictions made by machine learning management within the study's scope are dynamically displayed on the web interface using the Flask framework. Therefore, a platform has been created where developers can receive decision support with business intelligence, and the resulting results are analyzed and transferred to the study. In this way, mobile application developers will be able to see their shortcomings and have a prediction in terms of success. |
Databáze: | OpenAIRE |
Externí odkaz: |