基于支持向量机的移动电信行业客户流失预测研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-17页 |
| ·序言 | 第10页 |
| ·论文选题背景 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·数据挖掘的研究发展情况 | 第11-13页 |
| ·支持向量机的研究与应用现状 | 第13-14页 |
| ·国内外电信行业数据挖掘应用现状 | 第14-15页 |
| ·论文主要工作 | 第15-17页 |
| ·论文目标 | 第15-16页 |
| ·工作内容 | 第16-17页 |
| 第二章 数据挖掘与数据仓库 | 第17-24页 |
| ·数据挖掘的概念 | 第17-20页 |
| ·数据挖掘的产生与发展 | 第17-18页 |
| ·知识发现与数据挖掘 | 第18-19页 |
| ·数据挖掘与传统数据分析 | 第19-20页 |
| ·数据仓库 | 第20-21页 |
| ·数据仓库的概念 | 第20页 |
| ·数据挖掘与数据仓库的关系 | 第20-21页 |
| ·数据挖掘的方法 | 第21-22页 |
| ·数据挖掘过程 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 统计学习理论与支持向量机 | 第24-50页 |
| ·机器学习 | 第24-27页 |
| ·学习问题的一般表示 | 第25-26页 |
| ·经验风险最小化原则 | 第26页 |
| ·模型复杂度与推广能力 | 第26-27页 |
| ·统计学习理论的基本思想 | 第27-30页 |
| ·VC维 | 第27-28页 |
| ·泛化误差的边界 | 第28-29页 |
| ·结构风险最小化原则 | 第29-30页 |
| ·最优分类面 | 第30-33页 |
| ·广义最优分类面 | 第30-33页 |
| ·高维空间的最优分类面 | 第33页 |
| ·支持向量机 | 第33-47页 |
| ·支持向量机的发展概述 | 第33-34页 |
| ·问题的提出 | 第34-37页 |
| ·SVM的基本思想 | 第37-40页 |
| ·标准支持向量分类机 | 第40-47页 |
| ·线性可分问题 | 第41-42页 |
| ·近似线性可分问题 | 第42-43页 |
| ·线性不可分问题 | 第43-47页 |
| ·核函数 | 第47-49页 |
| ·核函数定义 | 第47-48页 |
| ·常用的核函数 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 移动电信企业客户流失预测模型设计 | 第50-60页 |
| ·移动电信企业现状 | 第50-52页 |
| ·建立客户流失预测模型的可行性与必要性 | 第50页 |
| ·电信行业客户流失的形式 | 第50-52页 |
| ·问题定义 | 第52-53页 |
| ·业务定义 | 第52页 |
| ·挖掘问题定义 | 第52-53页 |
| ·客户流失预测模型数据处理概述 | 第53-54页 |
| ·原始数据提取 | 第54-57页 |
| ·挖掘数据的预处理 | 第57页 |
| ·模型建立 | 第57-58页 |
| ·模型验证 | 第58页 |
| ·模型应用 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 基于SVM的移动电信企业客户流失预测 | 第60-70页 |
| ·变量选择和设计 | 第60-61页 |
| ·数据的表示 | 第61-64页 |
| ·数值型数据的表示 | 第61-63页 |
| ·符号型数据的表示 | 第63页 |
| ·本文使用的数据的具体表示 | 第63-64页 |
| ·数据的ETL过程设计 | 第64-65页 |
| ·客户流失模型的SVM算法仿真 | 第65-66页 |
| ·核函数形式的选择 | 第66页 |
| ·程序实现 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| ·论文工作小结 | 第70页 |
| ·进一步研究的展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 附录A 论文发表情况 | 第77页 |
