| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-10页 |
| 1.1 论文研究背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.2.1 国外研究现状 | 第7-8页 |
| 1.2.2 国内研究现状 | 第8页 |
| 1.3 本文研究目的与内容结构 | 第8-10页 |
| 1.3.1 研究目的 | 第8-9页 |
| 1.3.2 研究内容结构 | 第9-10页 |
| 2 数据的预处理技术 | 第10-21页 |
| 2.1 数据清洗 | 第10-11页 |
| 2.1.1 NA处理 | 第10-11页 |
| 2.1.2 噪声去除 | 第11页 |
| 2.1.3 数据一致性检测 | 第11页 |
| 2.2 数据集成 | 第11-12页 |
| 2.3 数据转换 | 第12页 |
| 2.4 数据归约 | 第12页 |
| 2.5 数据理解 | 第12页 |
| 2.6 数据预处理实例分析 | 第12-21页 |
| 2.6.1 缺失数据的检查 | 第14-16页 |
| 2.6.2 相关性分析 | 第16-17页 |
| 2.6.3 主成分分析（PCA） | 第17-19页 |
| 2.6.4 探索性分析 | 第19-21页 |
| 3 数据挖掘技术与工具 | 第21-29页 |
| 3.1 聚类方法 | 第21-25页 |
| 3.1.1 K-Means（K-均值聚类法） | 第21页 |
| 3.1.2 DBSCAN（基于密度聚类） | 第21-22页 |
| 3.1.3 K-Medoids（K-中心点聚类） | 第22页 |
| 3.1.4 EM（期望最大化聚类） | 第22页 |
| 3.1.5 两步聚类原理 | 第22-23页 |
| 3.1.6 聚类实例分析 | 第23-25页 |
| 3.2 分类方法 | 第25页 |
| 3.3 关联规则 | 第25页 |
| 3.4 时间序列 | 第25-26页 |
| 3.5 数据挖掘的一般过程 | 第26页 |
| 3.6 R语言-数据挖掘工具 | 第26-29页 |
| 4 客户流失分类模型研究 | 第29-46页 |
| 4.1 基于数据样本的集成学习 | 第29-30页 |
| 4.2 基于特征的集成学习 | 第30-31页 |
| 4.3 高维不平衡数据实验研究 | 第31-46页 |
| 4.3.1 Bagging算法实现 | 第32-35页 |
| 4.3.2 基于特征选择的Adaboost算法实现 | 第35-37页 |
| 4.3.3 随机森林的算法实现 | 第37-46页 |
| 5 用户流失分析与研究 | 第46-58页 |
| 5.1 套餐系列（等级）分析 | 第46-48页 |
| 5.2 通信指标特征研究 | 第48-50页 |
| 5.3 指标间相关性分析 | 第50-51页 |
| 5.4 流失指标的因子分析 | 第51-54页 |
| 5.5 流失用户聚类研究 | 第54-56页 |
| 5.6 流失原因分析 | 第56-58页 |
| 6 结论与展望 | 第58-60页 |
| 6.1 本文总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-62页 |