| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 关键问题和研究内容 | 第13-15页 |
| 1.3.1 手机游戏玩家数据的海量特征 | 第14页 |
| 1.3.2 不平衡数据集 | 第14页 |
| 1.3.3 客户价值差异 | 第14-15页 |
| 1.4 本文的组织架构 | 第15-16页 |
| 第二章 文献综述 | 第16-24页 |
| 2.1 消费者行为问题研究 | 第16-19页 |
| 2.1.1 传统的统计模型预测消费者行为 | 第16-17页 |
| 2.1.2 使用机器学习预测客户流失 | 第17-19页 |
| 2.2 特征选择概述 | 第19-20页 |
| 2.3 不平衡数据集问题 | 第20-24页 |
| 2.3.1 采样法 | 第21-23页 |
| 2.3.2 代价敏感学习 | 第23-24页 |
| 第三章 数据收集 | 第24-27页 |
| 3.1 游戏描述 | 第24页 |
| 3.2 特征提取 | 第24-27页 |
| 第四章 手机游戏玩家流失模型构建 | 第27-50页 |
| 4.1 数据预处理 | 第27-28页 |
| 4.2 特征选择 | 第28-30页 |
| 4.2.1 主成分分析法 | 第28-29页 |
| 4.2.2 卡方检验 | 第29页 |
| 4.2.3 Fisher 比率 | 第29-30页 |
| 4.3 不平衡数据处理方法 | 第30-34页 |
| 4.3.1 Under sampling方法 | 第30-31页 |
| 4.3.2 OverSampling方法 | 第31-33页 |
| 4.3.3 基于Kmeans聚类的under sampling方法 | 第33页 |
| 4.3.4 Kmeans Under Sampling和SMOTE结合的方法 | 第33-34页 |
| 4.4 模型描述 | 第34-39页 |
| 4.4.1 逻辑回归模型 | 第34-35页 |
| 4.4.2 支持向量机 | 第35-37页 |
| 4.4.3 决策树模型 | 第37-38页 |
| 4.4.4 随机森林 | 第38页 |
| 4.4.5 KNN算法 | 第38-39页 |
| 4.5 模型评估标准 | 第39-40页 |
| 4.6 实验结果与分析 | 第40-50页 |
| 4.6.1 特征选择方法对各模型预测结果的影响 | 第40-43页 |
| 4.6.2 不同数据集平衡方法对预测结果的影响 | 第43-48页 |
| 4.6.3 样本比例不同对结果影响 | 第48-50页 |
| 第五章 基于RFM模型的改进ADA-BOOST算法 | 第50-60页 |
| 5.1 传统的ADA-BOOST算法 | 第50-52页 |
| 5.1.1 算法描述 | 第50-51页 |
| 5.1.2 结果评价 | 第51-52页 |
| 5.2 基于RFM模型的改进ADA-BOOST算法 | 第52-60页 |
| 5.2.1 改进算法描述 | 第52-55页 |
| 5.2.2 改进RFM模型介绍 | 第55-57页 |
| 5.2.3 结果评价 | 第57-60页 |
| 第六章 总结与讨论 | 第60-62页 |
| 6.1 研究成果和创新 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 附录 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |
