本文關(guān)鍵詞：基于分步特征選擇和組合分類器的電信客戶流失預(yù)測(cè)模型，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息與通信技術(shù)的快速發(fā)展,電信運(yùn)營(yíng)市場(chǎng)日益飽和,運(yùn)營(yíng)商之間的競(jìng)爭(zhēng)日趨加劇。客戶流失預(yù)測(cè)已成為電信行業(yè)重點(diǎn)關(guān)注的一個(gè)問題,進(jìn)行潛在流失客戶的預(yù)測(cè)分析,及時(shí)發(fā)現(xiàn)具有較高流失概率的客戶,并制定相應(yīng)的客戶挽留策略,對(duì)各大電信運(yùn)營(yíng)商來講具有重大意義。本文以電信行業(yè)客戶流失預(yù)測(cè)為研究背景,旨在構(gòu)建一個(gè)高效、準(zhǔn)確的電信客戶流失預(yù)測(cè)模型,以高效、準(zhǔn)確地預(yù)測(cè)出具有較高流失概率的客戶。本文的主要研究?jī)?nèi)容與成果如下：1.本文針對(duì)電信客戶流失數(shù)據(jù)集中存在的特征維度過高的問題,對(duì)比研究利用主成分分析、卡方檢驗(yàn)和Fisher比率方法進(jìn)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(jī)器學(xué)習(xí)庫ML/MLlib進(jìn)行實(shí)驗(yàn),分析不同優(yōu)化特征子集對(duì)樸素貝葉斯、線性支持向量機(jī)、邏輯斯蒂回歸、決策樹和隨機(jī)森林分類模型預(yù)測(cè)效果的影響。實(shí)驗(yàn)結(jié)果表明,不同的特征選擇方法所選的優(yōu)化特征子集對(duì)不同分類模型預(yù)測(cè)效果的影響不同,其中Fisher比率能夠選取相對(duì)最優(yōu)的特征子集,并取得較好的預(yù)測(cè)效果。2.提出一種基于Fisher比率和預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)則的分步特征選擇方法。本文針對(duì)電信客戶流失領(lǐng)域特征選擇方法存在的問題,結(jié)合過濾式和封裝式特征選擇方法的優(yōu)點(diǎn),提出了一種基于Fisher比率和預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)則的分步特征選擇方法。基于該方法所選的優(yōu)化特征子集具有較強(qiáng)的判別能力,同時(shí)對(duì)分類器預(yù)測(cè)效果影響較大。實(shí)驗(yàn)結(jié)果表明,相比于未進(jìn)行特征選擇和基于一步特征選擇的客戶流失預(yù)測(cè)模型,本文提出的基于分步特征選擇方法的客戶流失預(yù)測(cè)模型能夠提高客戶流失預(yù)測(cè)的準(zhǔn)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(yù)測(cè)模型構(gòu)建框架。結(jié)合Spark機(jī)器學(xué)習(xí)庫ML/MLlib,構(gòu)建基于分步特征選擇方法的樸素貝葉斯、線性支持向量機(jī)、邏輯斯蒂回歸、決策樹和隨機(jī)森林的客戶流失預(yù)測(cè)模型。在此基礎(chǔ)上,采用優(yōu)選組合預(yù)測(cè)方法從多個(gè)分類預(yù)測(cè)模型中選取預(yù)測(cè)效果較好的若干分類器,并采用加權(quán)組合所選分類器輸出值的方式構(gòu)建組合分類器。實(shí)驗(yàn)結(jié)果表明,相對(duì)于單一分類模型的預(yù)測(cè)效果,本文提出的基于分步特征選擇和組合分類器的客戶流失預(yù)測(cè)模型能夠顯著提高流失預(yù)測(cè)效果。本文結(jié)合Spark大數(shù)據(jù)處理框架,針對(duì)電信客戶流失數(shù)據(jù)集中存在的特征維度過高問題,對(duì)比研究利用主成分分析、卡方檢驗(yàn)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(duì)不同分類模型預(yù)測(cè)效果的影響。針對(duì)該領(lǐng)域特征選擇存在的問題,結(jié)合過濾式和封裝式特征選擇方法的優(yōu)點(diǎn),提出了一種基于Fisher比率和預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)則的分步特征選擇方法。在此基礎(chǔ)上,提出了一種基于分步特征選擇和組合分類器的電信客戶流失預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,相比于典型的特征選擇方法,本文提出的基于Fisher比率和預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)則的分步特征選擇方法提高了各分類模型的預(yù)測(cè)效果；基于分步特征選擇與組合分類器的電信客戶流失預(yù)測(cè)模型進(jìn)一步提高了客戶流失預(yù)測(cè)效果。
【關(guān)鍵詞】：客戶流失 大數(shù)據(jù) Spark 類別不均衡 分步特征選擇 組合分類器
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F626;TP311.13
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 緒論11-23
• 1.1 研究背景和意義11-13
• 1.2 數(shù)據(jù)挖掘技術(shù)在電信客戶流失預(yù)測(cè)中的應(yīng)用研究13-18
• 1.2.1 客戶關(guān)系管理與客戶流失預(yù)測(cè)分析13-14
• 1.2.2 數(shù)據(jù)挖掘與客戶流失預(yù)測(cè)分析14-18
• 1.3 關(guān)鍵問題與研究?jī)?nèi)容18-20
• 1.4 本文組織結(jié)構(gòu)20-23
• 第2章 相關(guān)技術(shù)研究23-37
• 2.1 客戶流失相關(guān)技術(shù)簡(jiǎn)述23
• 2.2 大數(shù)據(jù)技術(shù)發(fā)展概況23-29
• 2.2.1 大數(shù)據(jù)簡(jiǎn)述23-25
• 2.2.2 大數(shù)據(jù)存儲(chǔ)25-26
• 2.2.3 大數(shù)據(jù)挖掘26-29
• 2.3 不均衡分類問題研究29-32
• 2.3.1 不均衡分類問題簡(jiǎn)述29
• 2.3.2 基于數(shù)據(jù)層面的均衡化方法29-30
• 2.3.3 基于算法層面的不均衡分類方法30-32
• 2.4 特征選擇策略研究32-36
• 2.4.1 特征選擇簡(jiǎn)述32
• 2.4.2 基于搜索策略的特征選擇32-34
• 2.4.3 基于評(píng)價(jià)準(zhǔn)則的特征選擇34-36
• 2.5 本章總結(jié)36-37
• 第3章 客戶流失預(yù)測(cè)模型構(gòu)建37-59
• 3.1 基本數(shù)據(jù)預(yù)處理38-42
• 3.1.1 數(shù)據(jù)獲取與描述38-40
• 3.1.2 數(shù)據(jù)預(yù)處理40-42
• 3.2 特征選擇方法42-43
• 3.3 分類模型與模型評(píng)估指標(biāo)選擇43-49
• 3.3.1 分類模型43-47
• 3.3.2 分類模型評(píng)估指標(biāo)選擇47-49
• 3.4 實(shí)驗(yàn)結(jié)果與分析49-57
• 3.4.1 基本數(shù)據(jù)預(yù)處理對(duì)分類模型預(yù)測(cè)效果的影響50-52
• 3.4.2 特征選擇方法對(duì)分類模型預(yù)測(cè)效果的影響52-57
• 3.5 本章總結(jié)57-59
• 第4章 基于FR-PR和組合分類器的流失預(yù)測(cè)模型59-71
• 4.1 基于Fisher比率和預(yù)測(cè)風(fēng)險(xiǎn)準(zhǔn)則的分步特征選擇方法59-61
• 4.2 基于FR-PR和組合分類器的流失預(yù)測(cè)模型61-64
• 4.3 實(shí)驗(yàn)結(jié)果與分析64-70
• 4.3.1 分步特征選擇方法對(duì)分類模型預(yù)測(cè)效果的影響64-68
• 4.3.2 分步特征選擇和組合分類器對(duì)預(yù)測(cè)效果的影響68-70
• 4.4 本章總結(jié)70-71
• 第5章 總結(jié)與展望71-73
• 5.1 本文工作總結(jié)71-72
• 5.2 未來工作展望72-73
• 參考文獻(xiàn)73-79
• 致謝79-81
• 在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果81

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 吉小軍,李世中,李霆;相關(guān)分析在特征選擇中的應(yīng)用[J];測(cè)試技術(shù)學(xué)報(bào);2001年01期

2 賈沛;桑農(nóng);唐紅衛(wèi);;一種改進(jìn)的類別依賴型特征選擇技術(shù)[J];計(jì)算機(jī)與數(shù)子工程;2003年06期

3 靖紅芳;王斌;楊雅輝;徐燕;;基于類別分布的特征選擇框架[J];計(jì)算機(jī)研究與發(fā)展;2009年09期

4 吳洪麗;朱顥東;周瑞瓊;;使用特征分辨率和差別對(duì)象對(duì)集的特征選擇[J];計(jì)算機(jī)工程與應(yīng)用;2010年16期

5 楊藝;韓德強(qiáng);韓崇昭;;基于排序融合的特征選擇[J];控制與決策;2011年03期

6 李云;;穩(wěn)定的特征選擇研究[J];微型機(jī)與應(yīng)用;2012年15期

7 錢學(xué)雙;多重篩選逐步回歸特征選擇法及其應(yīng)用[J];信息與控制;1986年05期

8 宣國(guó)榮;柴佩琪;;基于巴氏距離的特征選擇[J];模式識(shí)別與人工智能;1996年04期

9 范勁松,方廷健;特征選擇和提取要素的分析及其評(píng)價(jià)[J];計(jì)算機(jī)工程與應(yīng)用;2001年13期

10 王新峰;邱靜;劉冠軍;;基于特征相關(guān)性和冗余性分析的機(jī)械故障特征選擇研究[J];中國(guó)機(jī)械工程;2006年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

2 李長(zhǎng)升;盧漢清;;排序?qū)W習(xí)模型中的特征選擇[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

3 劉功申;李建華;李生紅;;基于類信息的特征選擇和加權(quán)方法[A];NCIRCS2004第一屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2004年

4 倪友平;王思臣;馬桂珍;陳曾平;;分支界定算法在低分辨雷達(dá)飛機(jī)架次判別中的應(yīng)用[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

5 李澤輝;聶生東;陳兆學(xué);;應(yīng)用多類SVM分割MR腦圖像特征選擇與優(yōu)化的實(shí)驗(yàn)研究[A];中國(guó)儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

6 蒙新泛;王厚峰;;主客觀識(shí)別中的上下文因素的研究[A];中國(guó)計(jì)算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

7 萬京;王建東;;一種基于新的差異性度量的ReliefF方法[A];2009年研究生學(xué)術(shù)交流會(huì)通信與信息技術(shù)論文集[C];2009年

8 范麗;許潔萍;;基于GMM的音樂信號(hào)音色模型研究[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

9 陳友;戴磊;程學(xué)旗;;基于MRMHC-C4．5的IP流分類[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

10 申f;楊宏暉;袁帥;;用于水聲目標(biāo)識(shí)別的互信息無監(jiān)督特征選擇[A];第三屆上�！靼猜晫W(xué)學(xué)會(huì)學(xué)術(shù)會(huì)議論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學(xué);2015年

2 劉風(fēng);基于磁共振成像的多變量模式分析方法學(xué)與應(yīng)用研究[D];電子科技大學(xué);2014年

3 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應(yīng)用研究[D];電子科技大學(xué);2014年

4 代琨;基于支持向量機(jī)的網(wǎng)絡(luò)數(shù)據(jù)特征選擇技術(shù)研究[D];解放軍信息工程大學(xué);2013年

5 王博;文本分類中特征選擇技術(shù)的研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

6 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學(xué)研究中的應(yīng)用[D];華東理工大學(xué);2011年

7 高青斌;蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)相關(guān)問題研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2006年

8 馮國(guó)忠;文本分類中的貝葉斯特征選擇[D];東北師范大學(xué);2011年

9 張麗新;高維數(shù)據(jù)的特征選擇及基于特征選擇的集成學(xué)習(xí)研究[D];清華大學(xué);2004年

10 王鋒;基于粒化機(jī)理的粗糙特征選擇高效算法研究[D];山西大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 周瑞;基于支持向量機(jī)特征選擇的移動(dòng)通信網(wǎng)絡(luò)問題分析[D];華南理工大學(xué);2015年

2 張金蕾;蛋白質(zhì)SUMO化修飾位點(diǎn)預(yù)測(cè)的數(shù)據(jù)挖掘技術(shù)研究[D];西北農(nóng)林科技大學(xué);2015年

3 陳云風(fēng);基于聚類集成技術(shù)的高鐵信號(hào)故障診斷研究[D];西南交通大學(xué);2015年

4 張斌斌;網(wǎng)絡(luò)股評(píng)的傾向性分析[D];中央民族大學(xué);2015年

5 季金勝;高分辨率遙感影像典型地物目標(biāo)的特征選擇及其穩(wěn)定性研究[D];上海交通大學(xué);2015年

6 袁玉錄;基于數(shù)據(jù)分類的網(wǎng)絡(luò)通信行為建模方法研究[D];電子科技大學(xué);2015年

7 王虎;基于試驗(yàn)設(shè)計(jì)的白酒譜圖特征選擇及支持向量機(jī)參數(shù)優(yōu)化研究[D];南京財(cái)經(jīng)大學(xué);2015年

8 王維智;基于特征提取和特征選擇的級(jí)聯(lián)深度學(xué)習(xí)模型研究[D];哈爾濱工業(yè)大學(xué);2015年

9 皮陽;基于聲音的生物種群識(shí)別[D];電子科技大學(xué);2015年

10 劉樹龍;特征選擇在軟件缺陷預(yù)測(cè)中的應(yīng)用技術(shù)研究[D];南京大學(xué);2015年

  本文關(guān)鍵詞：基于分步特征選擇和組合分類器的電信客戶流失預(yù)測(cè)模型，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：332100