| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.1.1 背景 | 第9-10页 |
| 1.1.2 目的和意义 | 第10页 |
| 1.2 客户流失预测研究现状和存在问题 | 第10-16页 |
| 1.2.1 国内外研究现状综述 | 第10-16页 |
| 1.2.2 存在问题及解决思路 | 第16页 |
| 1.3 主要内容 | 第16-17页 |
| 1.4 章节安排 | 第17-18页 |
| 第2章 改进的SVM与KNN相结合的分类算法 | 第18-31页 |
| 2.1 SVM与KNN算法 | 第18-20页 |
| 2.1.1 不平衡SVM原理 | 第18-20页 |
| 2.1.2 KNN算法 | 第20页 |
| 2.2 改进的SVM KNN | 第20-24页 |
| 2.2.1 改进的SVM算法 | 第21-22页 |
| 2.2.2 SVM改进前后对比分析 | 第22-23页 |
| 2.2.3 基于曼哈顿距离改进的SVM与KNN结合的模型算法 | 第23-24页 |
| 2.3 实验结果与分析 | 第24-30页 |
| 2.3.1 数据预处理 | 第24-25页 |
| 2.3.2 评价标准的选择 | 第25-26页 |
| 2.3.3 实验结果及分析 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于选择性集成的客户流失算法 | 第31-44页 |
| 3.1 选择性集成学习与分类算法选择 | 第31-35页 |
| 3.1.1 选择性集成学习 | 第31-32页 |
| 3.1.2 分类器的选择 | 第32-35页 |
| 3.2 基于加权的选择性集成学习算法 | 第35-37页 |
| 3.2.1 基于高斯加权的选择性集成算法 | 第35-37页 |
| 3.2.2 基于整体准确率比例加权的选择性集成算法 | 第37页 |
| 3.3 实验 | 第37-43页 |
| 3.3.1 实验数据描述 | 第37-38页 |
| 3.3.2 基分类器处理 | 第38页 |
| 3.3.3 分类器参数选取 | 第38-40页 |
| 3.3.4 确定筛选阈值 | 第40-41页 |
| 3.3.5 实验及其对比分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 总结 | 第44-45页 |
| 4.1 全文工作总结 | 第44页 |
| 4.2 今后工作 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |