| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 数据挖掘与电信客户流失的研究现状 | 第10-12页 |
| 1.3 研究内容安排与技术路线 | 第12-13页 |
| 第二章 客户流失的相关理论与技术论述 | 第13-21页 |
| 2.1 数据挖掘的理论介绍 | 第13-15页 |
| 2.1.1 数据挖掘的概念 | 第13页 |
| 2.1.2 数据挖掘的过程 | 第13页 |
| 2.1.3 集成学习算法 | 第13-15页 |
| 2.2 电信客户流失的概述 | 第15-17页 |
| 2.2.1 客户流失的问题定义 | 第15-16页 |
| 2.2.2 客户流失面临的问题和挑战 | 第16-17页 |
| 2.3 不平衡分类问题的研究 | 第17-20页 |
| 2.3.1 不平衡分类问题的定义 | 第17页 |
| 2.3.2 基于数据层面的类平衡化的方法 | 第17-18页 |
| 2.3.3 基于算法层面的类平衡化方法 | 第18-19页 |
| 2.3.4 基于集成算法层面的类平衡化的方法 | 第19-20页 |
| 2.4 特征选择 | 第20页 |
| 2.5 本章总结 | 第20-21页 |
| 第三章 装袋和随机森林预测模型的构建 | 第21-51页 |
| 3.1 数据准备与预处理 | 第21-28页 |
| 3.1.1 数据的介绍 | 第21-22页 |
| 3.1.2 数据预处理的方法和步骤 | 第22-28页 |
| 3.1.3 类不平衡数据的处理 | 第28页 |
| 3.2 特征选择方法 | 第28-30页 |
| 3.2.1 基于Fisher得分的特征选择方法 | 第29页 |
| 3.2.2 基于主成分分析的特征选择方法 | 第29-30页 |
| 3.3 决策树、装袋与随机森林模型 | 第30-35页 |
| 3.3.1 决策树模型 | 第30-32页 |
| 3.3.2 装袋 | 第32-33页 |
| 3.3.3 随机森林 | 第33-34页 |
| 3.3.4 交叉验证法 | 第34-35页 |
| 3.4 模型的评估指标 | 第35-39页 |
| 3.4.1 常用的评价指标 | 第35-36页 |
| 3.4.2 期望利润最大的评价指标 | 第36-39页 |
| 3.5 实验环境与实验设计 | 第39-40页 |
| 3.6 实验结果分析 | 第40-50页 |
| 3.6.1 特征个数对模型训练的影响 | 第41-45页 |
| 3.6.2 过采样方法的结果对比分析 | 第45-49页 |
| 3.6.3 使用期望利润最大评价方法对比结果 | 第49-50页 |
| 3.7 本章总结 | 第50-51页 |
| 第四章 样本依赖的代价敏感性集成学习模型构建 | 第51-56页 |
| 4.1 样本依赖代价敏感的决策树模型 | 第51-53页 |
| 4.2 EDCS-RandomForest模型的构建 | 第53-54页 |
| 4.3 实验设计与分析 | 第54-55页 |
| 4.4 本章总结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附录 | 第63页 |