Akademik Veri Yönetim Sistemi
Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.30, sa.3, ss.990-1008, 2025 (TRDizin)
Öz: Bu çalışmada, pazarlama kampanyalarına yönelik müşteri yanıt davranışlarının sınıflandırılması ele
alınmıştır. Analizlerde, Kaggle çevrimiçi veri paylaşım platformunda açık erişimli olarak sunulan Customer
Personality Analysis (CPA) veri seti kullanılmıştır. Veri setindeki hedef değişken Response, müşterinin son
kampanya teklifini kabul etme durumunu ifade etmektedir (1 = kabul etti, 0 = kabul etmedi). Pozitif sınıfın toplam
gözlem sayısına oranının yaklaşık %15 düzeyinde olması, belirgin bir sınıf dengesizliği problemine işaret
etmektedir. Bu nedenle, model başarımının değerlendirilmesinde yalnızca doğruluk ölçütü yerine, azınlık sınıfını
daha dengeli biçimde temsil eden makro-F1 metriği dikkate alınmıştır. Yöntemsel çerçevede ilk olarak bulanık c-
Ortalamalar (FCM) algoritması uygulanarak her örnek için kümelere ilişkin üyelik dereceleri elde edilmiştir. Daha
sonra bu üyelik dereceleri, FCM+FSVM yapısında örnek ağırlığı olarak sınıflandırma sürecine dahil edilmiş;
FCM+FKNN yapısında ise komşuluk katkı katsayısı olarak kullanılmıştır. FCM hiperparametreleri genetik
algoritma ile optimize edilirken, sınıflandırıcılara ilişkin hiperparametreler rastgele arama yöntemiyle
belirlenmiştir. Deneysel çalışmalarda lojistik regresyon, KNN, RBF-SVM, rastgele orman ve gradyan artırma gibi
yöntemlerle karşılaştırma yapılmış ve FCM+FSVM modelinin hem genel sınıflandırma başarımı hem de azınlık
sınıfını tanıma yeteneği açısından en yüksek performansı sergilediği görülmüştür
Abstract: This study focuses on the classification of customer response behavior toward marketing campaign
offers. The analysis utilizes the Customer Personality Analysis (CPA) dataset, which is publicly available on the
Kaggle online data-sharing platform. The target variable, Response, indicates whether the customer accepted the
most recent campaign offer (1 = accepted, 0 = not accepted). Since the proportion of positive responses is
approximately 15% of all observations, the dataset exhibits a pronounced class imbalance. For this reason,
performance evaluation prioritizes the macro-F1 metric rather than overall accuracy, as macro-F1 provides a more
balanced representation of the minority class. The methodological framework involves the application of the
Fuzzy C-Means (FCM) clustering algorithm to obtain membership degrees for each instance. These membership
values are subsequently integrated into two classification models. In the FCM+FSVM model, the membership
degrees are utilized as instance weights influencing the decision boundary. In the FCM+FKNN model, the same
membership degrees are incorporated as adaptive weighting factors in the neighborhood-based voting mechanism.
FCM hyperparameters are optimized using a genetic algorithm, while classifier hyperparameters are determined
through random search. Comparative experiments including logistic regression, KNN, RBF-SVM, random forest,
and gradient boosting demonstrate that the FCM+FSVM model achieves the highest performance in both overall
classification accuracy and minority class recognition.