| Abstract | 第6-7页 |
| 摘要 | 第8-12页 |
| List of Figures | 第12-13页 |
| List of Tables | 第13-14页 |
| List of Abbreviations | 第14-15页 |
| 1 Introduction | 第15-22页 |
| 1.1 Background | 第15-18页 |
| 1.2 Motivation for the research | 第18-19页 |
| 1.3 Definition of the problem | 第19-20页 |
| 1.4 Objectives and expected results | 第20页 |
| 1.5 Research method | 第20-21页 |
| 1.6 Order of this dissertation | 第21-22页 |
| 2 Theoretical Framework | 第22-40页 |
| 2.1 Introduction | 第22页 |
| 2.2 The Concept of Customet Chum | 第22-26页 |
| 2.3 Techniques for predicting customer churn | 第26-32页 |
| 2.4 Attribute subset selection | 第32-34页 |
| 2.5 Methods of evaluating classifier performance | 第34-35页 |
| 2.6 Class imbalance in churn datasets | 第35-39页 |
| 2.6.1 Alternative evaluation measures | 第36-37页 |
| 2.6.2 Cost-sensitive learning | 第37-38页 |
| 2.6.3 The Receiver Operating Characteritic(ROC)Curve | 第38页 |
| 2.6.4 Sampling-based approaches | 第38-39页 |
| 2.7 Summary | 第39-40页 |
| 3 Attribute Subset Selection | 第40-60页 |
| 3.1 Introduction | 第40页 |
| 3.2 Data sampling | 第40页 |
| 3.3 Data preprocessing | 第40-44页 |
| 3.4 Feature extraction | 第44-47页 |
| 3.5 Prediction Techniques | 第47-53页 |
| 3.6 Evaluation Criteria | 第53-59页 |
| 3.7 Summary | 第59-60页 |
| 4 Handling Class Imbalance | 第60-69页 |
| 4.1 Introduction | 第60页 |
| 4.2 The dataset | 第60-61页 |
| 4.3 Techniques for handling class imbalance | 第61-68页 |
| 4.3.1 Under-sampling | 第61-62页 |
| 4.3.2 Synthetic Minority Over-sampling Technique (SMOTE) | 第62-65页 |
| 4.3.3 Combining SMOTE with Under-sampling | 第65-66页 |
| 4.3.4 Generating an ROC Curve | 第66-68页 |
| 4.4 Summary | 第68-69页 |
| 5 Conclusions and Future Work | 第69-71页 |
| 5.1 Conclusions | 第69-70页 |
| 5.2 Future work | 第70-71页 |
| References | 第71-76页 |
| Research Publications | 第76-77页 |
| Acknowledgements | 第77页 |
