客戶流失預測算法研究.pdf

1、隨著計算機網(wǎng)絡和信息技術的發(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，從海量數(shù)據(jù)中提取有價值的信息是一個難點。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，因為“客戶數(shù)據(jù)”中含有重要的信息?？蛻袅魇ьA測分析就是對大量客戶數(shù)據(jù)進行分類預測處理，而大數(shù)據(jù)的特點都將會影響到客戶流失預測結果的準確性。通過對大量的客戶歷史數(shù)據(jù)進行建模從而對未來客戶數(shù)據(jù)進行分析進行分類。數(shù)據(jù)分類的問題一直是數(shù)據(jù)研究的一個

2、熱點，以往的分類預測主要以統(tǒng)計學和人工智能的方法為主。支持向量機具有對海量數(shù)據(jù)的不敏感型而更適合大數(shù)據(jù)的分類處理，結合K臨近算法的二次分類處理將使得分類效果進一步提高。選擇性集成學習是從訓練的分類器中基于某種標準進行分類器選取，之后按照某種方式進行組合從而形成的一種模型。本文基于改進的支持向量機和K臨近算法以及選擇性集成學習這兩種方法進行客戶流失分類問題的研究，主要工作內容如下:
　　1.應用支持向量機和K臨近算法對客戶的分類預測

3、進行研究。海量客戶歷史數(shù)據(jù)經(jīng)過預處理之后，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)分類模型的準確性，首先對正負類數(shù)據(jù)進行求解曼哈頓距離。通過調節(jié)正負類的權重，消除了由于數(shù)據(jù)不平衡帶來分類偏差。利用改進的支持向量機對訓練數(shù)據(jù)進行建模，用訓練之后的模型對未來測試集進行初次分類，再利用K臨近算法進行局部的二次分類，使得個別錯分的數(shù)據(jù)進行了分類糾正。結合某電信真實數(shù)據(jù)進行了驗證，實驗結果顯

4、示較好。
　　2.針對單一分類模型進行數(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)進行分類。首先選擇貝葉斯、決策樹、神經(jīng)網(wǎng)絡和支持向量機作為基分類器，通過循環(huán)進行訓練多個分類器并基于測試集求得每個分類器的分類準確率。本文基于分類器預測準確率的高低進行截取式的選取進行選擇性集成，使的組合的分類模型具有最好的分類準確率，之后采取高斯加權對選擇的基分類器再進行加權組合。通過對客戶流失真實數(shù)據(jù)進行分類預測，得出高斯加權的選擇性

5、集成學習在分類準確率、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，改進的支持向量機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，通過選擇性集成學習進行組合性能優(yōu)良的分類器，達到缺陷互補的目標，采用高斯加權的選擇性集成在實際的試驗中取得較好結果。以上兩種客戶流失預測分類方