基于SVM的商业银行客户流失预测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-9页 |
| 1 引言 | 第9-15页 |
| 1.1 我国银行业概况 | 第9-10页 |
| 1.2 数据挖掘现状 | 第10-12页 |
| 1.2.1 国外现状 | 第10-11页 |
| 1.2.2 国内现状 | 第11-12页 |
| 1.3 银行客户流失预测现状与面临问题 | 第12-13页 |
| 1.4 本文研究内容 | 第13-14页 |
| 1.5 本文组织结构 | 第14-15页 |
| 2 分类算法的研究与选用 | 第15-25页 |
| 2.1 分类算法概述 | 第15页 |
| 2.2 分类算法的种类和特征 | 第15-25页 |
| 2.2.1 决策树算法 | 第15-16页 |
| 2.2.2 神经网络算法 | 第16-17页 |
| 2.2.3 贝叶斯算法 | 第17-18页 |
| 2.2.4 机器学习算法 | 第18-19页 |
| 2.2.5 支持向量机 | 第19-25页 |
| 3 SVM 算法在银行中的应用 | 第25-32页 |
| 3.1 SVM 在银行中的应用分析结构 | 第26-28页 |
| 3.1.1 数据预处理部分 | 第27页 |
| 3.1.2 数据挖掘部分 | 第27-28页 |
| 3.2 SVM 在银行中应用的优点 | 第28页 |
| 3.3 SVM 算法在银行中应用中的处理过程 | 第28-32页 |
| 3.3.1 银行数据筛选 | 第28-29页 |
| 3.3.2 银行数据挖掘 | 第29-32页 |
| 4 实验 | 第32-48页 |
| 4.1 实验平台 | 第32-33页 |
| 4.1.1 概况 | 第32页 |
| 4.1.2 功能特点 | 第32-33页 |
| 4.2 银行客户实验数据的抽样时间段 | 第33页 |
| 4.3 选择建模变量 | 第33-39页 |
| 4.3.1 选择目标变量 | 第33页 |
| 4.3.2 选择输入变量 | 第33-39页 |
| 4.4 数据准备 | 第39-44页 |
| 4.4.1 数据集合并 | 第41-42页 |
| 4.4.2 数据清洗 | 第42-43页 |
| 4.4.3 确立因变量 | 第43-44页 |
| 4.5 建立客户流失参数模型 | 第44页 |
| 4.5.1 按客户级别 | 第44页 |
| 4.5.2 代入变量 | 第44页 |
| 4.5.3 确定模型变量结果 | 第44页 |
| 4.5.4 判断多重线性 | 第44页 |
| 4.5.5 求 VIP 客户流失参数原始模型 | 第44页 |
| 4.6 检验客户流失模型 | 第44-45页 |
| 4.7 客户流失概率 | 第45页 |
| 4.8 模型评价 | 第45-48页 |
| 5 全文的总结与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第53页 |
