移动通信业客户流失行为预测技术的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-14页 |
| 1．1 选题背景 | 第10-11页 |
| 1．2 国内外研究现状 | 第11-12页 |
| 1．3 本文工作 | 第12页 |
| 1．4 论文的组织 | 第12-14页 |
| 2 数据挖掘及相关理论 | 第14-29页 |
| 2．1 数据挖掘的基本概念 | 第14-15页 |
| 2．2 数据挖掘的功能和步骤 | 第15-18页 |
| 2．2．1 数据挖掘的目的和功能 | 第15-17页 |
| 2．2．2 数据挖掘的步骤 | 第17-18页 |
| 2．3 数据挖掘分类技术和算法概述 | 第18-24页 |
| 2．3．1 决策树分类方法 | 第20页 |
| 2．3．2 基于神经网络的分类 | 第20-22页 |
| 2．3．3 贝叶斯分类 | 第22页 |
| 2．3．4 基于关联规则的分类 | 第22-23页 |
| 2．3．5 K-最近邻分类 | 第23页 |
| 2．3．6 基于粗糙集的分类 | 第23页 |
| 2．3．7 遗传算法 | 第23-24页 |
| 2．3．8 示例推理分类 | 第24页 |
| 2．4 数据挖掘工具及当前应用领域 | 第24-29页 |
| 2．4．1 数据挖掘工具概述 | 第24-27页 |
| 2．4．2 当前数据挖掘应用领域 | 第27-29页 |
| 3 基于粗糙集理论的知识约简及其改进 | 第29-40页 |
| 3．1 中国移动通信业客户流失现状 | 第29-30页 |
| 3．2 粗糙集理论概述 | 第30-34页 |
| 3．2．1 粗糙集的相关理论 | 第30-32页 |
| 3．2．2 几种属性约简方法介绍 | 第32-34页 |
| 3．3 基于遗传算法属性约简的改进 | 第34-40页 |
| 3．3．1 遗传算法的基本思想 | 第34-36页 |
| 3．3．2 并行思想的引入及实现 | 第36-38页 |
| 3．3．3 改进后的结果评价 | 第38-40页 |
| 4 构建属性约简和神经网络相结合的预测模型 | 第40-58页 |
| 4．1 相关理论和算法概述 | 第40-51页 |
| 4．1．1 人工神经网络 | 第40-44页 |
| 4．1．2 BP神经网络 | 第44-51页 |
| 4．2 BP神经网络学习模型的设计与改进 | 第51-55页 |
| 4．2．1 BP神经网络模型的结构设计 | 第51页 |
| 4．2．2 BP神经网络初始参数的选择 | 第51-52页 |
| 4．2．3 BP网络模型的改进 | 第52-54页 |
| 4．2．4 改进结果评价 | 第54-55页 |
| 4．3 预测模型的构建 | 第55-58页 |
| 4．3．1 模型构建的思想 | 第55-56页 |
| 4．3．2 模型预测过程的描述 | 第56-58页 |
| 5 客户流失行为预测系统的构建 | 第58-70页 |
| 5．1 客户流失行为预测系统的基本框架 | 第58页 |
| 5．2 客户流失行为预测的解决方案 | 第58-66页 |
| 5．2．1 业务问题定义 | 第59页 |
| 5．2．2 数据理解 | 第59页 |
| 5．2．3 数据描述 | 第59-62页 |
| 5．2．4 数据选择 | 第62-64页 |
| 5．2．5 数据准备 | 第64-65页 |
| 5．2．6 建立模型 | 第65-66页 |
| 5．3 预测模型评估 | 第66-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间发表学术论文情况 | 第74-75页 |
| 致谢 | 第75-76页 |
| 大连理工大学学位论文版权使用授权书 | 第76页 |
