| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-19页 |
| ·研究背景及意义 | 第10-11页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状 | 第11-16页 |
| ·客户关系管理 | 第11-13页 |
| ·客户细分 | 第13-15页 |
| ·数据挖掘在金融界客户分析中的应用 | 第15-16页 |
| ·本文主要研究内容 | 第16-17页 |
| ·本文的组织结构 | 第17-19页 |
| 第2章 相关理论研究 | 第19-34页 |
| ·客户细分理论 | 第19-24页 |
| ·客户细分的理论依据 | 第19-21页 |
| ·客户细分的方法 | 第21-23页 |
| ·客户细分的作用 | 第23-24页 |
| ·支持向量机 | 第24-33页 |
| ·统计学习理论与支持向量机 | 第25-28页 |
| ·SVM基本思想 | 第28-31页 |
| ·SVM经典算法 | 第31-32页 |
| ·支持向量机的优点 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 客户细分指标体系的构建 | 第34-41页 |
| ·问题的提出 | 第34页 |
| ·指标选取的原则 | 第34-35页 |
| ·客户细分指标体系的构建 | 第35-40页 |
| ·客户个人特征维度 | 第36-37页 |
| ·客户消费行为维度 | 第37-38页 |
| ·客户贡献维度 | 第38-39页 |
| ·客户细分指标体系 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于代价敏感-模糊C均值聚类的多类支持向量机 | 第41-65页 |
| ·问题的提出 | 第41-42页 |
| ·基本概念 | 第42-46页 |
| ·广义的最优分类面 | 第42-43页 |
| ·核函数 | 第43-46页 |
| ·代价敏感学习机制 | 第46-52页 |
| ·代价敏感学习综述 | 第46-47页 |
| ·基于代价敏感的支持向量机 | 第47-48页 |
| ·实证分析 | 第48-52页 |
| ·基于模糊C均值聚类的支持向量机 | 第52-56页 |
| ·模糊C均值聚类 | 第53-54页 |
| ·基于模糊C均值聚类的支持向量机 | 第54-55页 |
| ·实证分析 | 第55-56页 |
| ·基于距离二叉树的多类支持向量机 | 第56-64页 |
| ·经典分类算法 | 第56-58页 |
| ·基于距离二叉树的多类支持向量机 | 第58-63页 |
| ·实例分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 客户细分原型系统的设计与实现 | 第65-73页 |
| ·系统概述 | 第65-69页 |
| ·系统开发环境 | 第65页 |
| ·数据预处理 | 第65-68页 |
| ·系统功能框架 | 第68-69页 |
| ·系统实现 | 第69-72页 |
| ·系统运行流程 | 第69-70页 |
| ·系统实现 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第6章 总结和展望 | 第73-76页 |
| ·总结 | 第73-74页 |
| ·展望 | 第74-76页 |
| 参考文献 | 第76-83页 |
| 致谢 | 第83页 |