| 第1章 绪论 | 第1-12页 |
| ·问题的提出 | 第9-10页 |
| ·国内外研究的现状 | 第10页 |
| ·本文研究的主要内容、目标和方法 | 第10-12页 |
| 第2章 数据挖掘中的决策树算法 | 第12-20页 |
| ·决策树分类器的介绍 | 第12-13页 |
| ·举例说明决策树分类的过程 | 第13页 |
| ·传统的决策树算法 | 第13-20页 |
| ·建树算法 | 第15页 |
| ·最佳分裂 | 第15-16页 |
| ·剪枝 | 第16-20页 |
| ·剪枝方法 | 第17页 |
| ·树编码的方法 | 第17-18页 |
| ·修剪算法 | 第18-20页 |
| 第3章 数据准备工作 | 第20-35页 |
| ·客户流失预测模型的总体架构 | 第20-22页 |
| ·问题定义 | 第22-23页 |
| ·数据的预处理 | 第23-35页 |
| ·数据抽取 | 第23页 |
| ·数据清洗 | 第23-24页 |
| ·属性选取 | 第24-29页 |
| ·数据标准化 | 第24-25页 |
| ·分歧法选择属性 | 第25-26页 |
| ·散列矩阵法 | 第26-27页 |
| ·属性之间的相关性 | 第27-28页 |
| ·Pearson's Correlation Coefficient | 第28页 |
| ·Pearson's Correlation Coefficient计算举例 | 第28-29页 |
| ·属性抽取 | 第29-33页 |
| ·复合因子分析 | 第29-30页 |
| ·Singular Value Decomposition | 第30-31页 |
| ·Singular Value Decomposition的举例 | 第31-33页 |
| ·数据转换 | 第33页 |
| ·训练数据集和测试数据集 | 第33页 |
| ·离网错误率的调整 | 第33-35页 |
| 第4章 用聚类算法给客户分群 | 第35-43页 |
| ·客户的特征 | 第35页 |
| ·k-平均算法 | 第35-36页 |
| ·改进的k-平均算法 | 第36-43页 |
| ·度量标准化 | 第37页 |
| ·对象与簇中心之间的距离 | 第37-38页 |
| ·平方误差准则 | 第38页 |
| ·引入权重 | 第38页 |
| ·簇划分的例子 | 第38-43页 |
| 第5章 用改进的决策树算法做预测分析 | 第43-64页 |
| ·引入限制条件的必要 | 第43页 |
| ·两种限制方法 | 第43-44页 |
| ·迟滞限制 | 第44-49页 |
| ·构造大小受限的最优子树 | 第45-48页 |
| ·构造准确率受限的最优子树 | 第48-49页 |
| ·同步限制 | 第49-56页 |
| ·计算子树代价的最低下限 | 第50页 |
| ·举例说明 | 第50-52页 |
| ·根据大小限制计算最小MDL代价算法 | 第52-53页 |
| ·受大小限制的修剪算法 | 第53-54页 |
| ·计算大小受限的最优子树 | 第54-56页 |
| ·计算准确率受限的最优子树 | 第56页 |
| ·Gini Index指标 | 第56-58页 |
| ·Gini Index的计算方法 | 第56-57页 |
| ·Gini Index的计算举例 | 第57-58页 |
| ·如何确定分裂点 | 第58-61页 |
| ·CAIM的定义 | 第59-60页 |
| ·CAIM的算法 | 第60-61页 |
| ·算法流程及数据结构的简要描述 | 第61-64页 |
| ·核心数据结构 | 第61-62页 |
| ·算法流程 | 第62-64页 |
| 第6章 模型优化与实验结果 | 第64-68页 |
| ·模型优化 | 第64-65页 |
| ·实验结果 | 第65-68页 |
| 结论 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文 | 第74页 |
