基于算法融合的客户流失预测方法研究--以航空公司为例
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状及发展 | 第10-13页 |
| 1.3 研究思路及内容 | 第13-14页 |
| 1.4 创新与不足 | 第14-16页 |
| 2 客户流失预测模型概述 | 第16-35页 |
| 2.1 客户流失概述 | 第16页 |
| 2.2 客户流失预测常用建模方法 | 第16-18页 |
| 2.3 建模方法原理概述 | 第18-31页 |
| 2.3.1 判别分析模型 | 第18-20页 |
| 2.3.2 逻辑回归模型 | 第20-21页 |
| 2.3.3 决策树模型 | 第21-22页 |
| 2.3.4 神经网络模型 | 第22-24页 |
| 2.3.5 支持向量机模型 | 第24-27页 |
| 2.3.6 多算法融合模型 | 第27-31页 |
| 2.4 客户流失模型的评估标准 | 第31-35页 |
| 2.4.1 混淆矩阵 | 第32页 |
| 2.4.2 两类错误 | 第32-33页 |
| 2.4.3 ROC曲线与AUC值 | 第33-35页 |
| 3 数据预处理 | 第35-45页 |
| 3.1 数据介绍 | 第35-36页 |
| 3.2 数据清洗 | 第36-37页 |
| 3.3 数据特点 | 第37-38页 |
| 3.4 变量选择 | 第38-45页 |
| 3.4.1 变量的Ⅳ值 | 第39-42页 |
| 3.4.2 相关性分析 | 第42-45页 |
| 4 航空公司客户流失模型的建立 | 第45-67页 |
| 4.1 判别分析模型的建立与结果 | 第45-48页 |
| 4.2 逻辑回归模型的建立与结果 | 第48-52页 |
| 4.3 决策树模型的建立与结果 | 第52-56页 |
| 4.4 神经网络模型的建立与结果 | 第56-60页 |
| 4.5 支持向量机模型的建立与结果 | 第60-62页 |
| 4.6 多算法融合模型的建立与结果 | 第62-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 附录 | 第69-73页 |
| 参考文献 | 第73-77页 |
| 后记 | 第77-78页 |
