| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 绪论 | 第9-17页 |
| 1.1 研究背景和研究意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 文献综述 | 第10-16页 |
| 1.2.1 传统的分类方法 | 第10-11页 |
| 1.2.2 改进的分类方法 | 第11-14页 |
| 1.2.3 文献评述 | 第14-16页 |
| 1.3 研究思路和论文框架 | 第16-17页 |
| 2. 相关理论与方法研究 | 第17-35页 |
| 2.1 数据挖掘中的分类问题 | 第17-19页 |
| 2.1.1 分类问题及分类器 | 第17-18页 |
| 2.1.2 分类器的组合 | 第18-19页 |
| 2.2 客户流失预测方法比较研究 | 第19-27页 |
| 2.2.1 决策树 | 第19-21页 |
| 2.2.2 神经网络算法 | 第21-23页 |
| 2.2.3 SVM支持向量机 | 第23-24页 |
| 2.2.4 逻辑回归 | 第24页 |
| 2.2.5 遗传算法 | 第24-26页 |
| 2.2.6 贝叶斯分类器 | 第26-27页 |
| 2.2.7 方法的选择 | 第27页 |
| 2.3 随机森林算法 | 第27-34页 |
| 2.3.1 CART决策树 | 第27-28页 |
| 2.3.2 Bagging算法 | 第28-29页 |
| 2.3.3 随机森林 | 第29-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3. 基于随机森林(RF)算法的客户流失预测模型的建立 | 第35-46页 |
| 3.1 数据预处理 | 第35-41页 |
| 3.1.1 数据描述 | 第35-38页 |
| 3.1.2 异常值的检验及剔除 | 第38-39页 |
| 3.1.3 样本同质性检验 | 第39-41页 |
| 3.2 基于随机森林(RF)算法的客户流失预测模型 | 第41-45页 |
| 3.2.1 RF模型参数的选择 | 第41-42页 |
| 3.2.2 RF模型的建立 | 第42-43页 |
| 3.2.3 模型结果及RF模型的检验 | 第43-45页 |
| 3.3 本章小结 | 第45-46页 |
| 4. 流失客户的维系挽留分析 | 第46-58页 |
| 4.1 客户价值细分 | 第46-50页 |
| 4.1.1 客户价值细分问题 | 第46-48页 |
| 4.1.2 RFM模型 | 第48-49页 |
| 4.1.3 K-means算法 | 第49-50页 |
| 4.2 流失客户的价值评定 | 第50-54页 |
| 4.2.1 流失客户的RFM计算及标准化处理 | 第50-51页 |
| 4.2.2 基于K-means算法和RFM模型的流失客户价值细分 | 第51-54页 |
| 4.3 流失客户的综合价值分析 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5. 总结及展望 | 第58-60页 |
| 5.1 本文所作工作总结 | 第58-59页 |
| 5.2 不足及展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 一 | 第65-70页 |
| 附录 二 | 第70-73页 |
| 后记 | 第73页 |
