基于数据挖掘的电信客户流失研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 概述 | 第8-12页 |
| 1.1 研究现状及意义 | 第8-10页 |
| 1.2 研究的主要内容与创新点 | 第10页 |
| 1.3 论文组织安排 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 相关技术 | 第12-29页 |
| 2.1 统计学基础 | 第12-13页 |
| 2.1.1 机器学习 | 第12页 |
| 2.1.2 泛化误差界 | 第12-13页 |
| 2.2 最优分类超平面 | 第13-19页 |
| 2.2.1 线性分类器 | 第13-14页 |
| 2.2.2 分类间隔与几何间隔 | 第14-16页 |
| 2.2.3 △-间隔分类超平面 | 第16-17页 |
| 2.2.4 构造最优超平面 | 第17-19页 |
| 2.3 支持向量机 | 第19-28页 |
| 2.3.1 高维空间中的推广能力 | 第20-21页 |
| 2.3.2 核函数 | 第21-22页 |
| 2.3.3 构造支持向量机 | 第22页 |
| 2.3.4 支持向量机分类机 | 第22-23页 |
| 2.3.5 C-向量机分类机和v-向量支持向量机 | 第23-24页 |
| 2.3.6 支持向量机的回归 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 改进的SVM在电信客户流失预警中的应用 | 第29-39页 |
| 3.1 SVM基本的改进算法 | 第29-31页 |
| 3.2 电信客户行为数据预处理 | 第31-32页 |
| 3.2.1 噪音数据的删除 | 第31页 |
| 3.2.2 数据特征向量的选择 | 第31-32页 |
| 3.3 构造支持向量机模型 | 第32-33页 |
| 3.4 实验过程、结果及分析 | 第33-38页 |
| 3.4.1 使用传统SVM对样本进行分类 | 第33-34页 |
| 3.4.2 使用改进SVM分类器对样本进行分类 | 第34-35页 |
| 3.4.3 使用决策树和神经网络对样本进行分类 | 第35-36页 |
| 3.4.4 结果对比与分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 总结与展望 | 第39-41页 |
| 4.1 总结 | 第39页 |
| 4.2 展望 | 第39-41页 |
| 参考文献 | 第41-44页 |
| 附录 | 第44-45页 |
| 致谢 | 第45页 |
