基于偏袒性集成学习的客户流失建模方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题研究背景和意义 | 第10页 |
| ·国内外研究现状 | 第10-16页 |
| ·集成学习的研究现状 | 第11-12页 |
| ·不平衡学习的研究现状 | 第12-16页 |
| ·论文主要工作和组织结构 | 第16-18页 |
| 第2章 相关理论概述 | 第18-35页 |
| ·客户关系管理理论概述 | 第18-21页 |
| ·客户关系管理的主要任务 | 第18-19页 |
| ·客户关系管理的实施 | 第19-21页 |
| ·数据挖掘理论概述 | 第21-23页 |
| ·数据挖掘的功能 | 第21页 |
| ·数据挖掘的方法 | 第21-22页 |
| ·数据挖掘的流程 | 第22-23页 |
| ·集成方法概述 | 第23-27页 |
| ·集成学习的过程 | 第23-24页 |
| ·集成学习的优势 | 第24-25页 |
| ·常用的几种集成方法 | 第25-27页 |
| ·不平衡学习概述 | 第27-30页 |
| ·不平衡数据定义 | 第27页 |
| ·常用的不平衡学习集成算法 | 第27-30页 |
| ·常用的分类算法介绍 | 第30-34页 |
| ·决策树算法 | 第30-33页 |
| ·支持向量机算法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 汽车客户流失预测模型的建立 | 第35-49页 |
| ·问题描述 | 第35页 |
| ·数据选择 | 第35-36页 |
| ·数据样本说明 | 第35-36页 |
| ·确定时间窗口 | 第36页 |
| ·数据分析和预处理 | 第36-40页 |
| ·数据清理 | 第37页 |
| ·数据集成 | 第37页 |
| ·数据变换 | 第37-40页 |
| ·建立模型 | 第40-44页 |
| ·数据特点 | 第40-41页 |
| ·模型设计与实现 | 第41-44页 |
| ·模型评估和解释 | 第44-48页 |
| ·模型评估 | 第44-47页 |
| ·结果解释 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 偏袒性集成学习算法 | 第49-61页 |
| ·引言 | 第49页 |
| ·偏袒性集成学习算法 | 第49-51页 |
| ·实验验证 | 第51-60页 |
| ·实验数据 | 第51-52页 |
| ·实验设计 | 第52-53页 |
| ·评估标准 | 第53-55页 |
| ·实验结果和分析 | 第55-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 偏袒性两层分类结构在客户流失模型中的应用 | 第61-67页 |
| ·引言 | 第61页 |
| ·模型方案设计和算法应用 | 第61-66页 |
| ·二层分类结构设计 | 第62-64页 |
| ·算法应用 | 第64-65页 |
| ·结果分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| ·本文的主要贡献和创新 | 第67页 |
| ·下一步研究工作 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间公开发表论文 | 第74-75页 |
| 致谢 | 第75页 |
