| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-12页 |
| 1.1 论文研究的背景与意义 | 第8-10页 |
| 1.2 论文的研究内容 | 第10-11页 |
| 1.3 论文文的基本框架 | 第11-12页 |
| 2 客户投诉 | 第12-15页 |
| 2.1 客户投诉价值 | 第12页 |
| 2.2 国内外投诉现状与处理方式 | 第12-13页 |
| 2.3 客户投诉处理存在的不足 | 第13-15页 |
| 3 基于K-Means算法的移动客户分类方法 | 第15-27页 |
| 3.1 聚类概念 | 第15-16页 |
| 3.2 聚类分析 | 第16-18页 |
| 3.2.1 聚类分析定义 | 第16页 |
| 3.2.2 聚类分析的基本方法 | 第16-18页 |
| 3.2.3 聚类分析常用的距离公式 | 第18页 |
| 3.3 K-Means算法 | 第18-20页 |
| 3.3.1 K-Means算法简介 | 第18页 |
| 3.3.2 K-Means算法数据预处理 | 第18-19页 |
| 3.3.3 K-Means算法流程 | 第19-20页 |
| 3.4 K-Means算法在移动通信投诉数据分析中的应用 | 第20-24页 |
| 3.5 实验结果分析 | 第24-25页 |
| 3.6 K-Means算法实验总结 | 第25-27页 |
| 4 基于决策树的移动通信客户流失分析 | 第27-37页 |
| 4.1 数据挖掘中分类应用 | 第27页 |
| 4.2 分类方法 | 第27-29页 |
| 4.3 决策树概念 | 第29页 |
| 4.4 ID3、C4.5、C5.0算法 | 第29-31页 |
| 4.4.1 ID3算法 | 第29-30页 |
| 4.4.2 信息增益计算方法 | 第30页 |
| 4.4.3 ID3算法流程 | 第30-31页 |
| 4.4.4 C4.5及C5.0简介 | 第31页 |
| 4.5 基于C5.0算法的对客户流失分析方法 | 第31-34页 |
| 4.6 实验结果分析 | 第34-36页 |
| 4.7 实验总结 | 第36-37页 |
| 5 关联规则在移动客户投诉数据分析中的应用 | 第37-46页 |
| 5.1 数据挖掘中预测应用 | 第37页 |
| 5.2 数据挖掘预测的方法 | 第37-39页 |
| 5.3 关联规则 | 第39-40页 |
| 5.3.1 关联规则概念 | 第39页 |
| 5.3.2 关联规则定义 | 第39-40页 |
| 5.4 Apriori算法 | 第40-42页 |
| 5.4.1 Apriori算法简介 | 第40页 |
| 5.4.2 Apriori算法原理 | 第40页 |
| 5.4.3 APRIORI算法流程 | 第40-42页 |
| 5.5 Apriori算法在上海移动投诉数据中的应用 | 第42-44页 |
| 5.6 实验结果分析 | 第44-45页 |
| 5.7 实验总结 | 第45-46页 |
| 6 结论与展望 | 第46-48页 |
| 6.1 结论 | 第46-47页 |
| 6.2 取得的预期成果 | 第47页 |
| 6.3 存在的不足和进一步研究的方向 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |