發(fā)布時間：2021-11-05 00:38

　　客戶識別作為客戶關系管理的起始階段,是客戶關系管理中其它環(huán)節(jié)開展的前提。高效的客戶識別模型可以幫助企業(yè)準確地找到有價值客戶,為企業(yè)開展客戶關系管理提供有力依據(jù),因此對客戶識別模型進行研究對于提高客戶關系管理效率就顯得尤為重要�？捎糜诳蛻糇R別的方法很多,其中最重要的一類方法就是數(shù)據(jù)挖掘方法。關聯(lián)向量機是一種新的數(shù)據(jù)挖掘方法,具有泛化性能良好、概率式預測等優(yōu)越性,受到了國內(nèi)外許多學者的青睞,并在許多領域得到了應用,包括電力、生物、水利等。論文首先回顧已有的客戶識別模型；針對已有模型的不足引入關聯(lián)向量機客戶識別模型；系統(tǒng)闡述了關聯(lián)向量機這一新的數(shù)據(jù)挖掘技術的基本原理,分析了其存在的優(yōu)劣勢；在實例分析中將關聯(lián)向量機客戶識別模型的結果與其它模型結果進行了對比,驗證了論文提出的模型的可行性和有效性；最后給出結論。本文將關聯(lián)向量機引入客戶識別研究,貢獻如下：1、提出了同分布取樣數(shù)據(jù)降維方法。使用新的平衡數(shù)據(jù)對RVM模型進行訓練時,由于基函數(shù)矩陣維數(shù)過大導致計算機無法完成運算。因此,需要減少訓練集數(shù)據(jù)量以降低基函數(shù)矩陣維度。本文提出采取同分布取樣的方法進行降維處理,數(shù)據(jù)審核結果表明,得到的樣本子集同原... 

【文章來源】：西安工業(yè)大學陜西省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

平衡后新數(shù)據(jù)的訓練結果

。M。。。。 V11。。 .}}}}}}}}}}}}}}}}}}}}}}}}}}}}}圖3.4同分布取樣數(shù)據(jù)審核結果對比上圖3.4中，數(shù)據(jù)集Datal、DataZ和Data3中變量的分布結果與原數(shù)據(jù)集Data中相應變量的分布情況基本相同，對比這四個數(shù)據(jù)集的審核結果，說明Data的三個子集中樣本的變量與Data中樣本的變量是同分布的。將上述得到的3個子集分別與等量的目標值全為1的樣本構成新的訓練集datal、dataZ和data3，即得到3個新的訓練數(shù)據(jù)集。3.2.4異常值處理對調(diào)查得到的大量原始數(shù)據(jù)進行加工處理，提取其中有用的信息，即統(tǒng)計整理，是進一步進行統(tǒng)計分析的前提。但是通常的統(tǒng)計整理方法往往都對樣本數(shù)據(jù)有一個前提假設，即樣本數(shù)據(jù)是來自同一個總體，而這個假設有時卻不能成立。原因一是由客觀因素造成的，如總體條件的突然變化或人們未知的某個因素的突然出現(xiàn)等等;二是由主觀方面的因素造成的，即人為的差錯如調(diào)查人員讀錯或抄錯數(shù)據(jù)，不小心把另一些不同條件下的樣本數(shù)據(jù)混雜進來。當樣本中的個別數(shù)據(jù)明顯地偏離樣本中其余數(shù)據(jù)時

0.0 0.2參數(shù)設定完成后對訓練集數(shù)據(jù)進行異常值處理，處理結果如圖3.5所示:曰二扭}漁蔚醚礴牽繆昨遭事霎叁鎮(zhèn)囊叢迫囊;守 ~Anomalies:found37reeordsfromanestimatedtotalof3.374reeords;由， PeergrouPPro們Ie白一扭 peergroup一 2:129日records;磨 ~Anomalies:found8reeordsfromanestimatedtota}ofl.298reeords;由一 PeergrouPPro朽Ie白一奴 peergroup一 3:1150reeords由一 Anomalies:found13reeordsfromanestimatedtotalofl.150reeords舟~· PeergrouPPro行l(wèi)e圖3.5異常值處理結果上圖3.5中，共從訓練數(shù)據(jù)集中剔除了其中的58條異常記錄(AnomalieS)。3.3模型構建經(jīng)過上一節(jié)中數(shù)據(jù)準備工作，本文遵循數(shù)據(jù)挖掘標準C咫SP一DM構建了基于關聯(lián)向量機的保險客戶識別模型，包含了數(shù)據(jù)準備月刃VM模型訓練、RVM模型評估、結果分析、1刃VM模型部署等內(nèi)容，模型框架如圖3.6所示:

【參考文獻】：
期刊論文
[1]粗糙集在客戶分類中的應用研究[J]. 宋桂娟,曲朝陽,楊勇虎,樊曉勇.  計算機工程與應用. 2010(34)
[2]基于SODM的多分類器融合及其在客戶分類中的應用[J]. 肖進,賀昌政.  管理工程學報. 2010(04)
[3]基于全生命周期客戶價值的客戶細分研究[J]. 桂曉梅.  生產(chǎn)力研究. 2010(10)
[4]RVM核參數(shù)的遺傳算法優(yōu)化方法[J]. 李剛,王貴龍,薛惠鋒.  控制工程. 2010(03)
[5]電信客戶生命周期價值模型和價值評價體系的關系研究[J]. 胡平,王曉鵬,陳競波.  統(tǒng)計與決策. 2010(04)
[6]復雜曲面擬合的相關向量機模型及其泛化能力[J]. 何曙光,鄭軼松,齊二石,張敏.  系統(tǒng)工程. 2009(12)
[7]基于3DM的B2C客戶分類算法[J]. 鄧維斌,王燕.  重慶郵電大學學報(自然科學版). 2009(04)
[8]微波輻射計探測大氣剖面的相關向量機算法[J]. 林樂科,張業(yè)榮,趙振維,王波.  電波科學學報. 2009(01)
[9]基于關聯(lián)向量機的混沌時間序列預測[J]. 李剛,吳慧欣,薛惠鋒.  計算機仿真. 2008(12)
[10]基于相關向量機的多類蛋白質(zhì)折疊識別[J]. 章文,劉娟.  武漢大學學報(理學版). 2008(03)



本文編號：3476720