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。     

基于动态分类器集成选择的不完整数据客户分类方法实证研究

在管理决策的制定中,分类已经成为一种十分重要的方法和技术。由于现实客户数据常常是不完整的,因此,研究不完整数据的客户分类问题具有重要意义。通过分析以往分类过程中对不完整数据的处理方法,提出了一种基于动态分类器集成选择的不完整数据分类方法DCES-ID。分别在UCI客户分类数据集以及某券商客户数据集上进行分类的实验和实证分析。结果表明,与已有的6种分类算法相比,DCES-ID算法具有更高的分类准确性及稳定性,能够更有效地进行客户分类。     

银行客户信用评估动态分类器集成选择模型

现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能.     

基于客户流失预测的特征选择

特征选择是数据预处理的一个重要手段,本文介绍了特征选择的几种常用方法：过滤法,封装法及这两种方法的混合,最后结合客户流失预测这个特定的问题提出适当的方法。     

基于满意属性选择的客户流失预测

针对已有属性选择方法较少考虑属性获取代价和属性集维数的自动确定问题,提出一种满意属性选择方法(SASM),将样本分类性能、属性集维数和属性提取复杂性等多种因素综合考虑.给出了属性满意度和属性集满意度定义,设计出满意度函数,导出满意属性集评价准则,详细描述了属性选择算法.对某电信公司客户流失预测的实证结果显示,SASM获得的命中率、覆盖率、准确率和提升系数高于属性相关性选择法、一致性选择法、实例选择法和对称不确定性选择法.证实了SASM的有效性和实用性.     

代价敏感的目标客户选择半监督集成模型研究

在现实的目标客户选择建模中,往往只能获取少量有类别标签的样本,而剩下的大量样本都无法获取类别标签。已有研究大都使用监督式建模研究范式,仅在少量有类别标签样本集上建模,很难取得令人满意的效果。为解决这一问题,本文引入半监督学习（semi-supervised learning,SSL）技术,将其与代价敏感学习（cost sensitive learning,CSL）和多分类器集成中的随机子空间（random subspace,RSS）方法相结合,提出了代价敏感的目标客户选择半监督集成模型（cost-sensitive semi-supervised ensemble model,CSSE）。该模型使用代价敏感的支持向量机（SVM）来解决目标客户选择建模中样本数据类别分布不平衡的问题,还能够同时使用有、无类别标签的客户样本来建模。进一步地,该模型利用RSS方法训练一系列基本分类模型,并通过集成得到最终的分类结果。在某保险公司目标客户选择数据集上进行实证分析,结果表明,与两种监督式集成模型、两种单一的半监督模型以及两种半监督集成模型相比,CSSE模型具有更好的目标客户选择性能。     

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.     

基于改进支持向量机的电信客户流失预测模型

随着电信业改革的深入和竞争的加剧,电信企业的客户流失率逐步攀升,如何预测并有效减少客户流失直接关系到电信企业的生存和发展.流失客户在客户总体中占比例较低,因此电信客户数据集中存在明显的非平衡数据问题,传统的客户流失预测把客户流失作为普通的模式识别问题处理,建立基于普适机器学习的预测模型.在两类错误的错分代价相差较大的情况下,基于普适机器学习的预测模型缺乏实用价值,因此引入代价敏感学习理论建立了基于改进支持向量机的电信客户流失预测模型,将不同的错分代价纳入建模过程,有效的提高了模型的预测性能.     

基于OSA算法和GMDH网络集成的电子商务客户流失预测

电子商务客户流失预测是一种典型的高维、非线性、数据不平衡问题,传统的方法已很难提高其预测精度。本文将自组织数据挖掘方法(SODM)引入电子商务客户流失预测,提出一种基于客观系统分析(OSA)和数据分组处理(GMDH)网络集成的电子商务客户流失预测模型。首先利用OSA算法自动选择出重要的电子商务客户流失关键属性,然后将训练样本送入GMDH网络进行学习与训练,进而对测试样本客户流失状态进行预测。为了提高预测精度,本文还利用向上采样法进行数据平衡化,使得流失类和非流失类客户数量大致相等。应用该模型对某网上商场客户流失状态进行预测,并将预测结果与神经网络、SVM等方法得到的结果进行了比较,验证了该模型的有效性及实用性。