Dergiler / Journal of Information Systems and Management Research / 2020 / Cilt: 2 - Sayı: 2
Kitle Fonlaması Projelerinin Karar Ağacı ve Rastgele Orman Algoritmalarıyla Sınıflandırılması
- Sayfa
- 16–25
- DOI
- —
Özet
Kitle fonlaması platformları, internet üzerinden iş fikirlerini hayata geçirme ya da destek alabilme noktasında büyük olanaklar sağlayabilmektedir. Bu platformlarda destek beklenen projelerin başarısı, alınan finansal destek ile doğru orantılı bir şekilde artmaktadır. Fakat finansal destek alabilmek için projenin destekçilere iyi bir şekilde sunulması gerekir. Günümüzde bu platformlar iyi tasarlanmamış projelerle dolu olduğu için başarı oranı oldukça düşüş göstermiştir. Bu sebeple, finansal destek alınabilmesi için projelerin başarı anlamında test edilmesi ve başarısız olarak sınıflandırılan projelerin eksiklerini gidererek destekçilere yeniden sunulması gerekmektedir. Bu kapsamda, ortaya koyduğumuz çalışmada birçok kategorideki Kickstarter projesi makine öğrenmesi yöntemleriyle sınıflandırılarak web arayüzünde son kullanıcıya sunulmuştur. Projelerin sınıflandırılması için, dağınık veri setlerinde iyi sınıflandırma yapabilen Decision Tree ve Random Forest algoritmaları kullanılmıştır. Algoritmalar, sırasıyla %73 ve %81 oranında sınıflandırma yapabilmektedir. Ayrıca, yapılan sınıflandırmalar değerlendirme metrikleriyle de test edilerek ne kadar doğru sınıflandırma yapılabildiği ölçülmüştür. Bu sayede, kitle fonlaması platformlarına projelerini ekleyen veya ekleyecek olan girişimciler, finansal bir destek aramadan önce projelerini başarı anlamında test ederek eksiklerini görebileceklerdir.
Abstract
Crowdfunding platforms can provide great opportunities to implement business ideas or get support over the internet. The success of projects that are expected to support these platforms increases in direct proportion to the financial support received. But in order to receive financial support, the project must be well presented to backers. Today, the success rate has declined considerably because these platforms are full of poorly designed projects. For this reason, in order to receive financial support, projects must be tested in terms of success and re-presented to supporters by eliminating the deficiencies of projects classified as unsuccessful. In this context, in our study, many categories of Kickstarter projects are classified by machine learning methods and presented to the end user in the web interface. For the classification of projects, decision Tree and Random Forest algorithms that can classify well in scattered data sets were used. Algorithms can classify by 73% and 81%, respectively. In addition, the classifications made were also testedwith evaluation metrics and measured how accurate the classification can be made. In this way, entrepreneurs who add or will add their projects to crowdfunding platforms will be able to seetheir shortcomings by testing their projects for success before receiving financial support.