| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景和意义 | 第8-9页 |
| ·国内外研究现状 | 第9-13页 |
| ·论文主要研究内容 | 第13-15页 |
| 2 论文相关基础理论 | 第15-26页 |
| ·客户流失相关理论概述 | 第15-19页 |
| ·客户流失的概念 | 第15-16页 |
| ·客户流失的分类 | 第16-17页 |
| ·客户流失的预测研究 | 第17-18页 |
| ·客户流失预测的两类错误 | 第18-19页 |
| ·分类方法概述 | 第19-22页 |
| ·决策树方法 | 第20页 |
| ·支持向量机方法 | 第20-21页 |
| ·人工神经网络方法 | 第21页 |
| ·贝叶斯分类方法 | 第21-22页 |
| ·Logistic 回归方法 | 第22页 |
| ·代价敏感学习概述 | 第22-23页 |
| ·集成学习概述 | 第23-25页 |
| ·集成学习的概念 | 第23-24页 |
| ·集成学习的主要算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于集成代价敏感分类方法的客户流失预测模型 | 第26-49页 |
| ·研究的出发点及思路 | 第26-27页 |
| ·建模工具及数据准备 | 第27-29页 |
| ·WEKA 开源数据挖掘平台 | 第27-28页 |
| ·数据准备 | 第28-29页 |
| ·基于Boosting 与代价敏感决策树的客户流失预测建模方法 | 第29-37页 |
| ·决策树的构建及剪枝 | 第29-31页 |
| ·代价敏感决策树的构建及原理 | 第31-33页 |
| ·基于Boosting 和代价敏感决策树的集成算法及原理 | 第33-34页 |
| ·算法实验及评测 | 第34-37页 |
| ·基于Bagging 与代价敏感支持向量机的客户流失预测建模方法 | 第37-44页 |
| ·基本的支持向量机 | 第37-38页 |
| ·代价敏感支持向量机的建立及原理 | 第38-39页 |
| ·基于Bagging 和代价敏感支持向量机的集成算法及原理 | 第39-40页 |
| ·算法实验及评测 | 第40-44页 |
| ·客户流失预测模型评价指标 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 4 商业银行个人理财业务客户流失预测模型案例分析 | 第49-66页 |
| ·研究的出发点及思路 | 第49-50页 |
| ·数据准备 | 第50-57页 |
| ·样本数据描述 | 第50-53页 |
| ·样本数据处理 | 第53-57页 |
| ·模型构建及参数选取 | 第57-61页 |
| ·基于Boosting 与代价敏感决策树的客户流失预测模型 | 第57-59页 |
| ·基于Bagging 与代价敏感支持向量机的客户流失预测模型 | 第59-61页 |
| ·模型评估及应用 | 第61-65页 |
| ·模型综合评估 | 第61-63页 |
| ·模型应用 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 5 结论 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71-72页 |
| A 作者在攻读硕士学位期间发表的论文目录 | 第71页 |
| B 作者在攻读硕士学位期间参加的科研项目 | 第71-72页 |
| 附件 | 第72-73页 |
