基于SVM的客户流失预测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9-11页 |
| ·流失预测研究现状 | 第11-12页 |
| ·目前存在问题 | 第12-13页 |
| ·本文研究内容 | 第13-14页 |
| ·本文组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 预测相关理论 | 第16-29页 |
| ·预测与数据挖掘 | 第16-17页 |
| ·数据挖掘的相关概念 | 第17-18页 |
| ·数据挖掘 | 第17页 |
| ·数据挖掘与CRM | 第17-18页 |
| ·数据挖掘过程模型 | 第18-19页 |
| ·数据挖掘过程 | 第18页 |
| ·Fayyad过程模型 | 第18-19页 |
| ·客户流失预测常用算法 | 第19-24页 |
| ·神经网络算法及相关评价 | 第19-21页 |
| ·决策树算法及相关评介 | 第21-23页 |
| ·贝叶斯算法及相关评介 | 第23-24页 |
| ·经营分析系统简介 | 第24-27页 |
| ·移动客户预测特征 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 统计学习理论与SVM | 第29-43页 |
| ·统计学习理论 | 第29-33页 |
| ·机器学习 | 第29-30页 |
| ·ERM与过拟合 | 第30-31页 |
| ·VC维与SRM | 第31-33页 |
| ·支持向量机 | 第33-34页 |
| ·二分类原理 | 第34-39页 |
| ·二分类问题 | 第34页 |
| ·分类面与线性SVM | 第34-36页 |
| ·核函数与非线性SVM | 第36-38页 |
| ·数据噪声与软间隔 | 第38-39页 |
| ·传统向量机评价 | 第39-40页 |
| ·非平衡核向量机 | 第40-42页 |
| ·算法描述 | 第41-42页 |
| ·算法特性 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第四章 样本数据处理 | 第43-53页 |
| ·相关问题定义 | 第43-45页 |
| ·客户流失原因分类 | 第43-44页 |
| ·挽留客户流失手段 | 第44页 |
| ·模型目标定义 | 第44页 |
| ·客户范围定义 | 第44页 |
| ·正常与流失客户定义 | 第44-45页 |
| ·确定分析时间窗口 | 第45页 |
| ·采集数据样本 | 第45-47页 |
| ·目标变量选择 | 第45页 |
| ·参考变量的选择 | 第45-46页 |
| ·数据检查和预处理 | 第46-47页 |
| ·参考变量的分析 | 第47-51页 |
| ·连续型变量分析 | 第47-49页 |
| ·离散型变量分析 | 第49-51页 |
| ·实验样本数据集 | 第51-52页 |
| ·本章小节 | 第52-53页 |
| 第五章 实验过程建立 | 第53-60页 |
| ·实验过程 | 第53-54页 |
| ·实验方法 | 第54-55页 |
| ·实验平台 | 第55-58页 |
| ·基于LIBSVM的平台 | 第55-56页 |
| ·基于WEKA的平台 | 第56-58页 |
| ·结果处理 | 第58页 |
| ·实验环境 | 第58-59页 |
| ·本章小节 | 第59-60页 |
| 第六章 实验结果分析 | 第60-67页 |
| ·实验参考指标 | 第60页 |
| ·非平衡分类演示 | 第60-62页 |
| ·精度对比分析 | 第62-63页 |
| ·训练时长对比分析 | 第63-64页 |
| ·大样本下性能分析 | 第64-65页 |
| ·SVM模型正分率及其它性能分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第七章 结论 | 第67-69页 |
| ·结论 | 第67-68页 |
| ·下一步工作 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录A:硕士期间发表论文 | 第73页 |
