基于分步特征選擇和組合分類器的電信客戶流失預測模型.pdf

1、隨著信息與通信技術的快速發(fā)展，電信運營市場日益飽和，運營商之間的競爭日趨加劇。客戶流失預測已成為電信行業(yè)重點關注的一個問題，進行潛在流失客戶的預測分析，及時發(fā)現(xiàn)具有較高流失概率的客戶，并制定相應的客戶挽留策略，對各大電信運營商來講具有重大意義。本文以電信行業(yè)客戶流失預測為研究背景，旨在構建一個高效、準確的電信客戶流失預測模型，以高效、準確地預測出具有較高流失概率的客戶。本文的主要研究內容與成果如下:
　　1.本文針對電信客戶流失數(shù)

2、據(jù)集中存在的特征維度過高的問題，對比研究利用主成分分析、卡方檢驗和Fisher比率方法進行特征降維所選擇的優(yōu)化特征子集，采用大數(shù)據(jù)處理框架Spark與Spark機器學習庫ML/MLlib進行實驗，分析不同優(yōu)化特征子集對樸素貝葉斯、線性支持向量機、邏輯斯蒂回歸、決策樹和隨機森林分類模型預測效果的影響。實驗結果表明，不同的特征選擇方法所選的優(yōu)化特征子集對不同分類模型預測效果的影響不同，其中Fisher比率能夠選取相對最優(yōu)的特征子集，并取得較

3、好的預測效果。
　　2.提出一種基于Fisher比率和預測風險準則的分步特征選擇方法。本文針對電信客戶流失領域特征選擇方法存在的問題，結合過濾式和封裝式特征選擇方法的優(yōu)點，提出了一種基于Fisher比率和預測風險準則的分步特征選擇方法?；谠摲椒ㄋx的優(yōu)化特征子集具有較強的判別能力，同時對分類器預測效果影響較大。實驗結果表明，相比于未進行特征選擇和基于一步特征選擇的客戶流失預測模型，本文提出的基于分步特征選擇方法的客戶流失預測模型

4、能夠提高客戶流失預測的準確性。
　　3.提出一種基于分步特征選擇和組合分類器的客戶流失預測模型構建框架。結合Spark機器學習庫ML/MLlib，構建基于分步特征選擇方法的樸素貝葉斯、線性支持向量機、邏輯斯蒂回歸、決策樹和隨機森林的客戶流失預測模型。在此基礎上，采用優(yōu)選組合預測方法從多個分類預測模型中選取預測效果較好的若干分類器，并采用加權組合所選分類器輸出值的方式構建組合分類器。實驗結果表明，相對于單一分類模型的預測效果，本文提

5、出的基于分步特征選擇和組合分類器的客戶流失預測模型能夠顯著提高流失預測效果。
　　本文結合Spark大數(shù)據(jù)處理框架，針對電信客戶流失數(shù)據(jù)集中存在的特征維度過高問題，對比研究利用主成分分析、卡方檢驗和Fisher比率選擇的優(yōu)化特征子集，分析不同優(yōu)化特征子集對不同分類模型預測效果的影響。針對該領域特征選擇存在的問題，結合過濾式和封裝式特征選擇方法的優(yōu)點，提出了一種基于Fisher比率和預測風險準則的分步特征選擇方法。在此基礎上，提出了