针对匿名电信客户数据的流失预测模型
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 电信客户流失预测的研究现状 | 第11-13页 |
| 1.2.2 数据挖掘算法的研究现状 | 第13-14页 |
| 1.3 关键问题与研究内容 | 第14-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关理论基础 | 第18-38页 |
| 2.1 数据挖掘理论基础 | 第18-28页 |
| 2.1.1 监督学习的基本概念 | 第18-19页 |
| 2.1.2 逻辑回归模型及其学习策略 | 第19-24页 |
| 2.1.3 提升树模型及其学习策略 | 第24-28页 |
| 2.2 深度学习理论基础 | 第28-36页 |
| 2.2.1 神经网络模型及其学习策略 | 第28-31页 |
| 2.2.2 自编码器及堆栈式自编码器 | 第31-33页 |
| 2.2.3 卷积神经网络模型及其基本要素 | 第33-36页 |
| 2.3 本章总结 | 第36-38页 |
| 第3章 电信客户流失预测模型 | 第38-56页 |
| 3.1 流失预测建模一般流程及核心环节 | 第38-45页 |
| 3.1.1 数据准备 | 第38-42页 |
| 3.1.2 模型评估 | 第42-45页 |
| 3.2 电信客户数据及其预处理 | 第45-49页 |
| 3.3 电信客户流失预测模型 | 第49-54页 |
| 3.3.1 电信客户流失预测的逻辑回归模型 | 第50-52页 |
| 3.3.2 电信客户流失预测的提升树模型 | 第52-54页 |
| 3.4 本章总结 | 第54-56页 |
| 第4章 自适应特征工程及其应用 | 第56-70页 |
| 4.1 特征工程概念基础 | 第56-58页 |
| 4.2 基于深度学习的特征提取方法 | 第58-63页 |
| 4.2.1 基于自编码器提取低维特征 | 第58-60页 |
| 4.2.2 基于深度学习构造高维特征 | 第60-63页 |
| 4.3 基于提升树模型的特征选择方法 | 第63-67页 |
| 4.3.1 提升树-逻辑回归分类器 | 第63-66页 |
| 4.3.2 提升树-费歇尔比-逻辑回归分类器 | 第66-67页 |
| 4.4 实验结果与分析 | 第67-69页 |
| 4.5 本章总结 | 第69-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 5.1 论文总结 | 第70页 |
| 5.2 未来工作展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第80页 |
