| 提要 | 第1-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题提出的背景与意义 | 第10-14页 |
| ·预测客户流失的意义 | 第10-11页 |
| ·客户流失的概念 | 第11-12页 |
| ·影响客户流失预测作用大小的因素 | 第12页 |
| ·客户流失预测的基本原理 | 第12-14页 |
| ·客户流失预测在国内外发展的现状 | 第14-16页 |
| ·贝叶斯网络 | 第15页 |
| ·决策树 | 第15页 |
| ·人工神经网络 | 第15页 |
| ·支持向量机 | 第15-16页 |
| ·本章总结 | 第16页 |
| ·本文的主要研究内容 | 第16-18页 |
| 第2章 支持向量机的分类技术 | 第18-26页 |
| ·支持向量机的定义 | 第18-20页 |
| ·支持向量机的应用 | 第20页 |
| ·支持向量机的技术路线 | 第20-21页 |
| ·线性可分 | 第21页 |
| ·线性不可分 | 第21页 |
| ·核函数 | 第21-23页 |
| ·q 次多项式函数 | 第22页 |
| ·径向基函数 | 第22-23页 |
| ·Sigmoid 函数 | 第23页 |
| ·支持向量机的分类算法 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 第3章 Libsvm 关键技术 | 第26-35页 |
| ·公式 | 第26-27页 |
| ·C 支持向量分类（二元） | 第26页 |
| ·v 支持向量分类（二元） | 第26-27页 |
| ·二次规划问题的解决 | 第27-31页 |
| ·C-SVM 的分解算法 | 第27页 |
| ·工作集的选择和停止循环的标准 | 第27-28页 |
| ·v支持向量分类的分解方法 | 第28-29页 |
| ·解析解法 | 第29-30页 |
| ·b 和ρ的计算 | 第30-31页 |
| ·压缩 | 第31-32页 |
| ·多元分类 | 第32-33页 |
| ·非平衡数据集 | 第33页 |
| ·计算方法及参数寻优 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 流失数据的处理 | 第35-43页 |
| ·数据提取标准 | 第35-37页 |
| ·客户群体的定位 | 第35页 |
| ·数据提取内容的选择 | 第35-37页 |
| ·数据的采集和整理 | 第37-39页 |
| ·数据的筛选 | 第39-41页 |
| ·衡量统计资料质量的标准 | 第39页 |
| ·数据资料的整理 | 第39-40页 |
| ·对数据的初步分析 | 第40-41页 |
| ·数据的归一化处理 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于 LibSVM 的手机客户流失倾向预测算法 | 第43-51页 |
| ·引言 | 第43-44页 |
| ·模型的选择 | 第43-44页 |
| ·客户数据样本的建立 | 第44页 |
| ·网络训练 | 第44-49页 |
| ·训练样本 | 第45-47页 |
| ·参数寻优及比对 | 第47-49页 |
| ·网络仿真结果分析 | 第49-50页 |
| ·本章小节 | 第50-51页 |
| 第6章 全文总结 | 第51-53页 |
| ·主要工作和结论 | 第51-52页 |
| ·今后待研究的问题 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 摘要 | 第57-60页 |
| ABSTRACT | 第60-64页 |
| 致谢 | 第64-65页 |
| 导师及作者简介 | 第65页 |