基于树形算法的银行客户细分研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 问题的提出 | 第7-8页 |
| 1.2 银行客户细分的概念和理论 | 第8页 |
| 1.3 银行客户细分的意义 | 第8-9页 |
| 1.4 国内外银行客户细分现状 | 第9-11页 |
| 1.5 论文的创新点和框架 | 第11-13页 |
| 1.5.1 论文的创新点 | 第11页 |
| 1.5.2 论文框架 | 第11-13页 |
| 2 相关算法简介及分析 | 第13-20页 |
| 2.1 决策树C4.5 | 第13-14页 |
| 2.2 决策树CART算法 | 第14-15页 |
| 2.3 平衡随机森林BRF算法 | 第15-18页 |
| 2.4 GBDT算法 | 第18-20页 |
| 2.4.1 DT：回归树 | 第18页 |
| 2.4.2 GB：梯度迭代 | 第18-20页 |
| 3 计算工具Spark | 第20-27页 |
| 3.1 认识Spark | 第20-21页 |
| 3.2 第一个Spark程序WordCount | 第21-23页 |
| 3.3 学习心得 | 第23-27页 |
| 4 树形算法在银行客户细分中的应用 | 第27-38页 |
| 4.1 银行客户数据预处理及特征选择 | 第27-31页 |
| 4.1.1 数据缺失处理 | 第28页 |
| 4.1.2 数据噪声处理 | 第28页 |
| 4.1.3 数据倾斜处理 | 第28页 |
| 4.1.4 特征筛选 | 第28-29页 |
| 4.1.5 标准化特征 | 第29页 |
| 4.1.6 随机森林投票特征选择 | 第29页 |
| 4.1.7 模型评价标准 | 第29-31页 |
| 4.2 模型实证分析 | 第31-36页 |
| 4.2.1 决策树的实证分析 | 第31-33页 |
| 4.2.2 平衡随机森林BRF算法的实证分析 | 第33-34页 |
| 4.2.3 GBDT算法的实证分析 | 第34-36页 |
| 4.3 实验及结果分析 | 第36-38页 |
| 5 总结与展望 | 第38-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-42页 |
| 附录 | 第42-58页 |
