K均值决策树优化算法在电信客户预测中的应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 引言 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外相关领域研究现状和发展趋势 | 第9-10页 |
| 1.3 研究目标及研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 基础理论和关键技术 | 第12-19页 |
| 2.1 客户流失相关概念 | 第12-13页 |
| 2.1.1 客户流失与保持 | 第12页 |
| 2.1.2 客户流失类型 | 第12-13页 |
| 2.1.3 客户流失原因及对策 | 第13页 |
| 2.2 客户流失分析数据挖掘 | 第13-15页 |
| 2.2.1 客户流失分析问题的特点 | 第13-14页 |
| 2.2.2 客户流失分析预测的目标 | 第14页 |
| 2.2.3 客户流失常用数据挖掘算法 | 第14-15页 |
| 2.3 系统开发技术 | 第15-18页 |
| 2.3.1 系统的开发平台分析 | 第15-17页 |
| 2.3.2 本系统的开发平台选取 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 基于聚类分析的客户分群 | 第19-26页 |
| 3.1 客户聚类 | 第19-20页 |
| 3.2 客户聚类数据 | 第20页 |
| 3.3 客户聚类采用的挖掘技术 | 第20-23页 |
| 3.3.1 主要聚类方法的分类 | 第20-21页 |
| 3.3.2 k-means算法原理 | 第21页 |
| 3.3.3 k-means算法改进 | 第21-22页 |
| 3.3.4 度量标准化 | 第22-23页 |
| 3.3.5 对象与簇中心之间的距离 | 第23页 |
| 3.4 客户聚类示例 | 第23-25页 |
| 3.4.1 初始数据 | 第23-24页 |
| 3.4.2 新记录的加入 | 第24页 |
| 3.4.3 簇中心的更新 | 第24-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第四章 基于判定树的客户分类 | 第26-30页 |
| 4.1 数据分类 | 第26-27页 |
| 4.2 分类数据的预处理 | 第27页 |
| 4.3 用判定树归纳分类 | 第27-29页 |
| 4.3.1 判定树基本概念 | 第27-28页 |
| 4.3.2 判定树归纳基本算法 | 第28页 |
| 4.3.3 判定树属性选择度量 | 第28-29页 |
| 4.3.4 判定树剪枝方法 | 第29页 |
| 4.3.5 由判定树提取分类规则 | 第29页 |
| 4.4 本章小结 | 第29-30页 |
| 第五章 电信客户流失预测系统的设计与实现 | 第30-45页 |
| 5.1 电信客户流失预测系统总体架构 | 第30-31页 |
| 5.2 客户流失模型挖掘过程 | 第31-36页 |
| 5.2.1 商业理解 | 第31-32页 |
| 5.2.2 数据选择 | 第32-33页 |
| 5.2.3 数据预处理 | 第33页 |
| 5.2.4 预测模型建立 | 第33-35页 |
| 5.2.5 模型评估和检验 | 第35-36页 |
| 5.3 客户流失预测系统的设计 | 第36-42页 |
| 5.3.1 系统设计原则 | 第36-37页 |
| 5.3.2 业务流程设计 | 第37-39页 |
| 5.3.3 系统功能设计 | 第39-41页 |
| 5.3.4 系统性能要求 | 第41-42页 |
| 5.4 系统实现 | 第42-44页 |
| 5.4.1 系统管理功能的实现 | 第42-43页 |
| 5.4.2 数据录入功能的实现 | 第43页 |
| 5.4.3 流失预测功能的实现 | 第43-44页 |
| 5.5 本章小结 | 第44-45页 |
| 结论与展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 作者简介 | 第50-52页 |
| 致谢 | 第52页 |
