客戶流失預(yù)測算法研究.pdf

1、隨著計算機(jī)網(wǎng)絡(luò)和信息技術(shù)的發(fā)展，伴隨而來的是大數(shù)據(jù)時代。大數(shù)據(jù)具有高維性、非線性、不平衡性，甚至是不確定性的特點(diǎn)，從海量數(shù)據(jù)中提取有價值的信息是一個難點(diǎn)。對于企業(yè)發(fā)展來說，大數(shù)據(jù)處理更具有重要的意義，因?yàn)椤翱蛻魯?shù)據(jù)”中含有重要的信息?？蛻袅魇ьA(yù)測分析就是對大量客戶數(shù)據(jù)進(jìn)行分類預(yù)測處理，而大數(shù)據(jù)的特點(diǎn)都將會影響到客戶流失預(yù)測結(jié)果的準(zhǔn)確性。通過對大量的客戶歷史數(shù)據(jù)進(jìn)行建模從而對未來客戶數(shù)據(jù)進(jìn)行分析進(jìn)行分類。數(shù)據(jù)分類的問題一直是數(shù)據(jù)研究的一個

2、熱點(diǎn)，以往的分類預(yù)測主要以統(tǒng)計學(xué)和人工智能的方法為主。支持向量機(jī)具有對海量數(shù)據(jù)的不敏感型而更適合大數(shù)據(jù)的分類處理，結(jié)合K臨近算法的二次分類處理將使得分類效果進(jìn)一步提高。選擇性集成學(xué)習(xí)是從訓(xùn)練的分類器中基于某種標(biāo)準(zhǔn)進(jìn)行分類器選取，之后按照某種方式進(jìn)行組合從而形成的一種模型。本文基于改進(jìn)的支持向量機(jī)和K臨近算法以及選擇性集成學(xué)習(xí)這兩種方法進(jìn)行客戶流失分類問題的研究，主要工作內(nèi)容如下:
　　1.應(yīng)用支持向量機(jī)和K臨近算法對客戶的分類預(yù)測

3、進(jìn)行研究。海量客戶歷史數(shù)據(jù)經(jīng)過預(yù)處理之后，流失的客戶數(shù)目在整個客戶歷史數(shù)據(jù)中比例很小，是典型的不平衡數(shù)據(jù)分類。為了提高不平衡的客戶流失數(shù)據(jù)分類模型的準(zhǔn)確性，首先對正負(fù)類數(shù)據(jù)進(jìn)行求解曼哈頓距離。通過調(diào)節(jié)正負(fù)類的權(quán)重，消除了由于數(shù)據(jù)不平衡帶來分類偏差。利用改進(jìn)的支持向量機(jī)對訓(xùn)練數(shù)據(jù)進(jìn)行建模，用訓(xùn)練之后的模型對未來測試集進(jìn)行初次分類，再利用K臨近算法進(jìn)行局部的二次分類，使得個別錯分的數(shù)據(jù)進(jìn)行了分類糾正。結(jié)合某電信真實(shí)數(shù)據(jù)進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果顯

4、示較好。
　　2.針對單一分類模型進(jìn)行數(shù)據(jù)分類的局限性問題，利用選擇性集成策略對客戶流失的數(shù)據(jù)進(jìn)行分類。首先選擇貝葉斯、決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)作為基分類器，通過循環(huán)進(jìn)行訓(xùn)練多個分類器并基于測試集求得每個分類器的分類準(zhǔn)確率。本文基于分類器預(yù)測準(zhǔn)確率的高低進(jìn)行截取式的選取進(jìn)行選擇性集成，使的組合的分類模型具有最好的分類準(zhǔn)確率，之后采取高斯加權(quán)對選擇的基分類器再進(jìn)行加權(quán)組合。通過對客戶流失真實(shí)數(shù)據(jù)進(jìn)行分類預(yù)測，得出高斯加權(quán)的選擇性

5、集成學(xué)習(xí)在分類準(zhǔn)確率、提升系數(shù)衡量參數(shù)方面獲得較好效果。
　　本文提出兩種針對客戶流失數(shù)據(jù)的分類方法。針對數(shù)據(jù)的不平衡性的問題，改進(jìn)的支持向量機(jī)對于分類為偏離問題給予校正，之后利用K臨近算法局部的二次分類，通過兩次的處理可以得到較好的分類效果。單一的分類器模型對于數(shù)據(jù)的分類具有一定的局限性，通過選擇性集成學(xué)習(xí)進(jìn)行組合性能優(yōu)良的分類器，達(dá)到缺陷互補(bǔ)的目標(biāo)，采用高斯加權(quán)的選擇性集成在實(shí)際的試驗(yàn)中取得較好結(jié)果。以上兩種客戶流失預(yù)測分類方