基于不平衡数据集的客户流失预测研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-17页 |
| ·课题背景与意义 | 第12-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·不平衡数据分类问题的研究现状 | 第13-15页 |
| ·客户流失预测研究现状 | 第15-16页 |
| ·本文主要内容与结构安排 | 第16-17页 |
| 第2章 不平衡数据分类问题的分析与解决办法 | 第17-23页 |
| ·数据不平衡对数据挖掘的影响与原因 | 第17-18页 |
| ·正类样本稀少 | 第17页 |
| ·性能评价标准不恰当 | 第17-18页 |
| ·噪声 | 第18页 |
| ·阈值设置不合理 | 第18页 |
| ·不平衡数据集分类的性能评价标准 | 第18-20页 |
| ·F-measure | 第18-19页 |
| ·ROC曲线与AUC值 | 第19-20页 |
| ·目前主要的解决办法 | 第20-22页 |
| ·抽样法 | 第20-21页 |
| ·代价敏感法 | 第21页 |
| ·元学习 | 第21页 |
| ·推进法 | 第21页 |
| ·优化AUC算法 | 第21-22页 |
| ·支持向量机的改进算法 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于抽样法的客户流失预测研究 | 第23-30页 |
| ·现实的客户流失问题 | 第23-24页 |
| ·传统机器学习方法 | 第24-25页 |
| ·规则归纳学习 | 第24页 |
| ·决策数 | 第24页 |
| ·随机森林 | 第24-25页 |
| ·基于常用抽样法的客户流失预测研究 | 第25-27页 |
| ·随机欠抽样法 | 第25页 |
| ·SMOTE智能过抽样法 | 第25-26页 |
| ·实验研究 | 第26-27页 |
| ·基于改进抽样法的客户流失预测研究 | 第27-29页 |
| ·重复随机欠抽样法 | 第27-28页 |
| ·实验研究 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 基于优化AUC算法的客户流失预测研究 | 第30-41页 |
| ·优化AUC算法 | 第30-32页 |
| ·遗传算法概述 | 第32-37页 |
| ·遗传算法的运算流程 | 第32-33页 |
| ·遗传算法的关键操作 | 第33-36页 |
| ·遗传算法的特点 | 第36-37页 |
| ·基于GA优化AUC的算法 | 第37-39页 |
| ·编码 | 第37-38页 |
| ·适应度函数 | 第38页 |
| ·遗传算法防早熟设计 | 第38-39页 |
| ·实验对比研究 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第5章 基于加权支持向量机的客户流失预测研究 | 第41-55页 |
| ·统计学习理论概述 | 第41-44页 |
| ·VC维理论 | 第41-42页 |
| ·推广性的界 | 第42页 |
| ·结构风险最小化 | 第42-44页 |
| ·支持向量机 | 第44-49页 |
| ·线性情况分类 | 第44-46页 |
| ·分线性情况分类 | 第46-47页 |
| ·加权支持向量机 | 第47-49页 |
| ·改进的加权支持向量机 | 第49-52页 |
| ·实验对比研究 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 工作结论与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |
