基于决策树的移动通信用户流失预警模型研究与实现
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-15页 |
| 1.1.1 移动通信行业的发展背景 | 第11-13页 |
| 1.1.2 论文研究内容及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 用户流失预警的理论研究 | 第16-18页 |
| 1.2.2 用户流失预警的应用现状 | 第18页 |
| 1.3 研究目的与内容 | 第18-21页 |
| 2 数据挖掘与数据仓库 | 第21-27页 |
| 2.1 数据挖掘基本理论 | 第21-25页 |
| 2.1.1 数据挖掘的基本功能 | 第22页 |
| 2.1.2 数据挖掘的基本流程 | 第22-25页 |
| 2.2 数据仓库相关介绍 | 第25-26页 |
| 2.2.1 数据仓库的特点 | 第25页 |
| 2.2.2 数据仓库与数据挖掘的关系 | 第25-26页 |
| 2.2.3 Oracle 数据仓库 | 第26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 用户数据预处理与聚类分析 | 第27-37页 |
| 3.1 数据预处理 | 第27-29页 |
| 3.1.1 样本数据的清洗与转换 | 第27-28页 |
| 3.1.2 样本数据的特征选择 | 第28-29页 |
| 3.2 聚类分析算法 | 第29-36页 |
| 3.2.1 一趟聚类算法 | 第29-33页 |
| 3.2.2 一趟聚类算法的阈值选择 | 第33页 |
| 3.2.3 实施聚类分析 | 第33-34页 |
| 3.2.4 聚类结果分析 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 用户流失预警决策树的构建 | 第37-57页 |
| 4.1 用户流失问题概述 | 第37页 |
| 4.2 数据挖掘工具的选择 | 第37-38页 |
| 4.3 决策树分类算法 | 第38-44页 |
| 4.3.1 基本定义 | 第39-40页 |
| 4.3.2 C4.5 算法对缺失数据处理 | 第40-41页 |
| 4.3.3 C4.5 算法的剪枝处理 | 第41-42页 |
| 4.3.4 C4.5 算法流程 | 第42页 |
| 4.3.5 决策树算法的评估方法 | 第42-44页 |
| 4.4 用户流失预警的问题分析 | 第44-48页 |
| 4.4.1 用户流失的概念 | 第44-45页 |
| 4.4.2 用户流失预警问题的商业理解 | 第45-46页 |
| 4.4.3 用户流失预警问题的数据理解 | 第46-48页 |
| 4.5 建立用户流失的决策树模型 | 第48-53页 |
| 4.5.1 决策树算法的实施 | 第49-51页 |
| 4.5.2 决策树算法实施结果 | 第51-53页 |
| 4.6 模型的评估与调整优化 | 第53-56页 |
| 4.6.1 模型评估的指标 | 第53-55页 |
| 4.6.2 模型评估结果 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 5 用户流失预警系统的设计 | 第57-63页 |
| 5.1 用户流失预警系统的总体设计 | 第57-60页 |
| 5.1.1 系统逻辑结构设计 | 第57-58页 |
| 5.1.2 系统的功能结构 | 第58-60页 |
| 5.2 系统控制模块功能 | 第60页 |
| 5.3 数据管理模块 | 第60-61页 |
| 5.4 系统数据流 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68页 |
| 发表的学术论文 | 第68-69页 |
