基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于数据挖掘技术的客户价值评价方法

本文把数据挖掘技术应用于评价客户价值,给出了这一方法的具体步骤,并利用粗糙集构建多变量决策捌建立分类模型.最后结合实例说明该方法的应用.     

基于在线客户评论的客户细分研究

针对基于在线客户评论数据进行客户细分分析的问题,设计了二阶段客户细分分析框架.在客户偏好建模阶段,设计了同义属性识别方法和属性偏好换算方法,基于产品属性树结构,构建粒度统一的客户偏好向量;在客户聚类阶段,设计了包含最优聚类数识别的聚类流程,基于模糊C均值聚类方法,对客户进行聚类.     

基于代价敏感性学习的客户价值细分

在基于价值的客户细分中,不可避免地产生"拒真纳伪"的两类错误,由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响.本研究在代价敏感性学习机制下引入支持向量机作为分类工具,建立基于客户价值的错分代价函数,为适应客户价值多类别细分的要求,将二元分类扩展为多元分类,建立分类的期望损失函数作为分类效果的评价标准.实验结果说明,该方法可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价,有效识别客户价值.     

双因素客户识别模型理论研究

本文从客户价值、客户关系质量的基本概念出发,在回顾和总结相关理论研究的基础上,对基于单因素客户价值和客户关系质量的客户分类进行研究和探讨,从而建立基于两者的双因素客户识别模型,并在此基础上提出差异化营销策略。     

基于SODM的贝叶斯分类器结构学习及其在客户分类中的应用

将自组织数据挖掘理论引入贝叶斯分类中,提出一种新颖的贝叶斯分类器结构学习算法.算法将基于依赖分析和评分搜索两种贝叶斯网络结构学习思想相接合,根据互信息测度值选择初始模型,用贝叶斯评分作为筛选中间模型的外准则,能够在不同数据集上完成自适应建模过程,包括选择进入模型的变量、确定具有最优复杂度的模型结构等.在 10 个UCI数据集上进行分类测试,结果表明,贝叶斯分类器结构学习算法分类器的分类精度要高于常用的朴素贝叶斯、树扩展朴素贝叶斯以及基于K2算法的分类器.进一步地,在信用卡客户分类数据集german上的学习曲线和抗干扰试验还表明,与朴素贝叶斯、树扩展朴素贝叶斯以及K2等分类器相比,贝叶斯分类器结构学习算法分类器具有更加稳定的分类性能和更强的抗干扰能力.     

基于多分类器融合的客户细分研究

基于多分类器融合技术,建立了新的客户分类模型,该模型通过使用分类融合器,将多个分类器得到的客户信用评估结果进行合并,从而综合了不同分类器的局部优势,提高了分类性能.采用线性分类融合器,并通过遗传算法对分类器进行优化.实验分析表明,该方法的分类效果明显优于传统的运用单个分类器的分类方法.     

基于蚁群智能的客户群偏好分析方法

采用蚁群智能的数据挖掘方法,根据客户对产品属性的偏好评分,对客户进行有效的分类.将客户偏好作为n维空间中的一个点,运用基于蚁群智能的聚类方法,根据预先设定的群体相似系数和拾起或放下概率进行聚类分析,在空间中采用递归算法,以获得不同偏好特征的客户群体模式.     

基于代价敏感决策树的客户价值细分(英文)

由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响.为了解决错误分类不平衡的数据分类问题,利用代价敏感学习技术扩展现有决策树模型,将这一方法应用在客户价值细分,建立基于客户价值的错分代价矩阵,以分类代价最小化作为决策树分支的标准,建立分类的期望损失函数作为分类效果的评价标准,采用中国某银行的信用卡客户数据进行实验.实验结果表明,与传统决策树方法相比,代价敏感决策树对客户价值细分问题有更好的分类效果,可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价,有效识别客户价值