基于广义计算和分类回归树的电信业异动客户识别
| 论文摘要 | 第1-8页 |
| 英文摘要 | 第8-10页 |
| 1 引言 | 第10-15页 |
| 1．1 数据挖掘在客户关系管理中的重要应用价值 | 第10-11页 |
| 1．2 课题的提出 | 第11-15页 |
| 1．2．1 决策树技术在客户关系管理中的发展现状 | 第11-13页 |
| 1．2．2 结合多准则神经网络的意义 | 第13-15页 |
| 2 理论基础 | 第15-30页 |
| 2．1 数据挖掘概论 | 第15-17页 |
| 2．1．1 数据挖掘的处理过程 | 第15-16页 |
| 2．1．2 数据挖掘常用技术 | 第16-17页 |
| 2．2 决策树技术 | 第17-21页 |
| 2．2．1 决策树技术概述 | 第18-20页 |
| 2．2．2 决策树的缺陷及改进方法 | 第20-21页 |
| 2．3 广义计算与神经网络 | 第21-26页 |
| 2．3．1 广义计算理论 | 第21-22页 |
| 2．3．2 广义计算实验系统 | 第22-24页 |
| 2．3．3 神经网络的发展及应用 | 第24-25页 |
| 2．3．4 神经网络基本模型及主要特点 | 第25-26页 |
| 2．4 决策树和多准则神经网络结合 | 第26-30页 |
| 2．4．1 结合的可能性 | 第26-27页 |
| 2．4．2 结合的优势 | 第27-28页 |
| 2．4．3 该方向的研究现状 | 第28-30页 |
| 3 系统设计 | 第30-56页 |
| 3．1 目标和功能 | 第30页 |
| 3．2 基本处理流程 | 第30-32页 |
| 3．3 基本框架 | 第32-33页 |
| 3．4 模块分析 | 第33-54页 |
| 3．4．1 多准则神经网络属性约简 | 第33-39页 |
| 3．4．2 分类回归树概述 | 第39-40页 |
| 3．4．3 分类回归树构造 | 第40-50页 |
| 3．4．4 剪枝 | 第50-53页 |
| 3．4．5 最优树选择 | 第53-54页 |
| 3．5 本系统的特点 | 第54-56页 |
| 4 系统应用效果 | 第56-66页 |
| 4．1 样本数据的采集 | 第56-58页 |
| 4．2 多准则神经网络属性约简 | 第58-60页 |
| 4．2．1 网络构造 | 第58-59页 |
| 4．2．2 网络训练结果 | 第59-60页 |
| 4．3 分类回归树构造及剪枝 | 第60-62页 |
| 4．4 测试 | 第62-66页 |
| 5 结论和展望 | 第66-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 附录： 作者攻读硕士期间完成的论文 | 第74页 |
