| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 引言 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 集成学习的国内外研究现状 | 第12-14页 |
| 1.2.2 非平衡学习研究现状 | 第14-15页 |
| 1.3 论文的主要工作和组织架构 | 第15-17页 |
| 第二章 相关理论知识概述 | 第17-32页 |
| 2.1 数据挖掘和集成学习理论概述 | 第17-21页 |
| 2.1.1 数据挖掘 | 第17页 |
| 2.1.2 集成学习 | 第17-18页 |
| 2.1.3 集成学习的构造 | 第18-20页 |
| 2.1.4 集成学习的主要算法 | 第20-21页 |
| 2.2 决策树分类算法 | 第21-24页 |
| 2.2.1 决策树的生长 | 第21-22页 |
| 2.2.2 信息增益 | 第22页 |
| 2.2.3 信息增益率 | 第22-23页 |
| 2.2.4 决策树的修剪 | 第23页 |
| 2.2.5 决策树的几种主要算法 | 第23-24页 |
| 2.3 Boosting 算法 | 第24-28页 |
| 2.3.1 AdaBoost 算法介绍 | 第25-26页 |
| 2.3.2 AdaBoost 算法的理论分析 | 第26-28页 |
| 2.4 Bagging 算法与随机森林算法概述 | 第28-31页 |
| 2.4.1 Bagging 算法 | 第28-29页 |
| 2.4.2 随机森林算法 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 电信用户流失预警模型建立 | 第32-47页 |
| 3.1 模型的工程背景和问题描述 | 第32-35页 |
| 3.1.1 建模的工程背景 | 第32-33页 |
| 3.1.2 客户流失 | 第33-35页 |
| 3.1.3 问题描述 | 第35页 |
| 3.2 数据的选择 | 第35-37页 |
| 3.3 数据的预处理 | 第37-40页 |
| 3.3.1 设计变量集合及数据提取 | 第37-38页 |
| 3.3.2 数据处理 | 第38-39页 |
| 3.3.3 模型的变量选择 | 第39-40页 |
| 3.4 数据建模 | 第40-42页 |
| 3.4.1 数据特征 | 第40-41页 |
| 3.4.2 模型设计与实现 | 第41-42页 |
| 3.5 评价体系和结果分析 | 第42-44页 |
| 3.5.1 模型的评价体系 | 第42-44页 |
| 3.6 模型结果及分析 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 非平衡学习算法 | 第47-57页 |
| 4.1 非平衡数据 | 第47-49页 |
| 4.1.1 非平衡数据分类相关概念 | 第47-48页 |
| 4.1.2 非平衡数据的处理方法 | 第48-49页 |
| 4.2 K-Means 聚类 | 第49-51页 |
| 4.2.1 经典 K-Means 聚类算法简介 | 第50-51页 |
| 4.2.2 K-Means 聚类算法的聚类过程 | 第51页 |
| 4.3 基于 K-Means 聚类的欠抽样算法 | 第51-52页 |
| 4.4 基于 K-Means 聚类算法实验结果分析 | 第52-56页 |
| 4.4.1 实验结果及分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 本文的主要工作 | 第57页 |
| 未来的研究重点 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |