| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 数据挖掘技术在电信客户流失预测中的应用研究 | 第13-18页 |
| 1.2.1 客户关系管理与客户流失预测分析 | 第13-14页 |
| 1.2.2 数据挖掘与客户流失预测分析 | 第14-18页 |
| 1.3 关键问题与研究内容 | 第18-20页 |
| 1.4 本文组织结构 | 第20-23页 |
| 第2章 相关技术研究 | 第23-37页 |
| 2.1 客户流失相关技术简述 | 第23页 |
| 2.2 大数据技术发展概况 | 第23-29页 |
| 2.2.1 大数据简述 | 第23-25页 |
| 2.2.2 大数据存储 | 第25-26页 |
| 2.2.3 大数据挖掘 | 第26-29页 |
| 2.3 不均衡分类问题研究 | 第29-32页 |
| 2.3.1 不均衡分类问题简述 | 第29页 |
| 2.3.2 基于数据层面的均衡化方法 | 第29-30页 |
| 2.3.3 基于算法层面的不均衡分类方法 | 第30-32页 |
| 2.4 特征选择策略研究 | 第32-36页 |
| 2.4.1 特征选择简述 | 第32页 |
| 2.4.2 基于搜索策略的特征选择 | 第32-34页 |
| 2.4.3 基于评价准则的特征选择 | 第34-36页 |
| 2.5 本章总结 | 第36-37页 |
| 第3章 客户流失预测模型构建 | 第37-59页 |
| 3.1 基本数据预处理 | 第38-42页 |
| 3.1.1 数据获取与描述 | 第38-40页 |
| 3.1.2 数据预处理 | 第40-42页 |
| 3.2 特征选择方法 | 第42-43页 |
| 3.3 分类模型与模型评估指标选择 | 第43-49页 |
| 3.3.1 分类模型 | 第43-47页 |
| 3.3.2 分类模型评估指标选择 | 第47-49页 |
| 3.4 实验结果与分析 | 第49-57页 |
| 3.4.1 基本数据预处理对分类模型预测效果的影响 | 第50-52页 |
| 3.4.2 特征选择方法对分类模型预测效果的影响 | 第52-57页 |
| 3.5 本章总结 | 第57-59页 |
| 第4章 基于FR-PR和组合分类器的流失预测模型 | 第59-71页 |
| 4.1 基于Fisher比率和预测风险准则的分步特征选择方法 | 第59-61页 |
| 4.2 基于FR-PR和组合分类器的流失预测模型 | 第61-64页 |
| 4.3 实验结果与分析 | 第64-70页 |
| 4.3.1 分步特征选择方法对分类模型预测效果的影响 | 第64-68页 |
| 4.3.2 分步特征选择和组合分类器对预测效果的影响 | 第68-70页 |
| 4.4 本章总结 | 第70-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 未来工作展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第81页 |
