面向數(shù)據(jù)特點(diǎn)的客戶價(jià)值區(qū)分集成模型研究

內(nèi)容概要

　　《面向數(shù)據(jù)特點(diǎn)的客戶價(jià)值區(qū)分集成模型研究》將自組織數(shù)據(jù)挖掘與集成學(xué)習(xí)相結(jié)合來研究客戶價(jià)值區(qū)分問題。從客戶價(jià)值區(qū)分中的客戶數(shù)據(jù)所具有的不同特點(diǎn)出發(fā)，提出了面向CRM客戶數(shù)據(jù)特點(diǎn)的客戶價(jià)值區(qū)分“一步式”集成解決方案。為了改進(jìn)多分類器集成的分類性能，我們從兩個(gè)方面著手：①改進(jìn)基本分類器的分類性能。將GMDH與常用的貝葉斯網(wǎng)絡(luò)分類模型相結(jié)合，提出了基于GMDH的選擇性貝葉斯網(wǎng)絡(luò)擴(kuò)展的樸素貝葉斯分類模型（SelectiveBayesianNetworkAugmentedNaiveBayes，SBNANB）。②改進(jìn)集成策略。

書籍目錄

序言1　緒論1.1　研究背景1.2　客戶價(jià)值區(qū)分研究現(xiàn)狀1.2.1　客戶信用評(píng)估1.2.1.1　面向類別不平衡數(shù)據(jù)的客戶信用評(píng)估1.2.1.2　面向噪聲數(shù)據(jù)的客戶信用評(píng)估1.2.1.3　面向缺失數(shù)據(jù)的客戶信用評(píng)估1.2.2　客戶流失預(yù)測1.2.2.1　面向類別不平衡數(shù)據(jù)的客戶流失預(yù)測1.2.2.2　面向噪聲數(shù)據(jù)的客戶流失預(yù)測1.2.2.3　面向缺失數(shù)據(jù)的客戶流失預(yù)測1.2.3　文獻(xiàn)回顧小結(jié)1.3　研究框架1.3.1　研究思路1.3.2　研究內(nèi)容1.3.3　研究創(chuàng)新點(diǎn)1.4　本書結(jié)構(gòu)安排2　相關(guān)理論知識(shí)介紹2.1　自組織數(shù)據(jù)挖掘簡介2.1.1　自組織數(shù)據(jù)挖掘的基本思想2.1.2　多層GMDH算法的建模步驟2.1.3　多層GMDH算法的抗干擾性2.2　分類器集成簡介2.2.1　多分類器集成模型2.2.2　基本分類器的生成方法2.2.3　常用的分類器集成方法2.3　本章小結(jié)3　客戶價(jià)值區(qū)分集成的基礎(chǔ)研究3.1　客戶價(jià)值理論3.1.1　客戶價(jià)值概念的界定3.1.2　客戶生命周期價(jià)值3.2　客戶價(jià)值區(qū)分的研究框架3.3　客戶價(jià)值區(qū)分集成的研究框架3.3.1　客戶價(jià)值區(qū)分集成的概念界定3.3.2　客戶價(jià)值區(qū)分集成的工作原理3.4　本章小結(jié)4　基于GMDH的分類器集成方法研究4.1　基于GMDH的貝葉斯網(wǎng)絡(luò)分類模型4.1.1　引言4.1.2　貝葉斯結(jié)構(gòu)學(xué)習(xí)簡介4.1.3　選擇性貝葉斯網(wǎng)絡(luò)擴(kuò)展的樸素貝葉斯模型4.1.4　基于GMDH的SBNANB分類器的結(jié)構(gòu)識(shí)別4.1.4.1　外準(zhǔn)則的選擇4.1.4.2　GBC算法描述4.1.5　試驗(yàn)分析4.1.5.1　數(shù)據(jù)和實(shí)驗(yàn)設(shè)計(jì)4.1.5.2　分類器的結(jié)構(gòu)識(shí)別4.1.5.3　無噪聲情況下的貝葉斯分類試驗(yàn)4.1.5.4　有人工噪聲情況下的貝葉斯分類試驗(yàn)4.1.5.5　討論4.1.6結(jié)論4.2　基于GMDH的靜態(tài)分類器集成選擇策略4.2.1　引言4.2.2　靜態(tài)分類器集成選擇算法4.2.2.1　外準(zhǔn)則的選擇4.2.2.2　算法描述4.2.2.3　算法復(fù)雜度分析4.2.3　實(shí)驗(yàn)分析4.2.3.1　不同算法的分類精度對(duì)比分析4.2.3.2　基于不用融合算法的客戶分類性能4.2.4　結(jié)論4.3　基于GMDH的動(dòng)態(tài)分類器集成選擇策略4.3.1　引言4.3.2　動(dòng)態(tài)分類器集成選擇簡介4.3.2.1　基于K-nearest-oracles的動(dòng)態(tài)集成選擇4.3.2.2　基于DCS的動(dòng)態(tài)集成選擇4.3.2.3　動(dòng)態(tài)過度生產(chǎn)-選擇策略4.3.3　基于GMDH的動(dòng)態(tài)分類器集戍選擇算法4.3.3.1　外準(zhǔn)則的選擇4.3.3.2　算法描述4.3.4　實(shí)驗(yàn)設(shè)計(jì)4.3.5　實(shí)驗(yàn)結(jié)果分析4.3.5.1　幾個(gè)重要參數(shù)對(duì)GDES-AD性能影響的分析4.3.5.2　無噪聲情況下的分類性能比較4.3.5.3　類別噪聲情況下的分類性能比較4.3.5.4　屬性噪聲情況下分類性能比較4.3.5.5　偏差-方差分解4.3.6　討論4.3.7　結(jié)論4.4　本章小結(jié)5　客戶價(jià)值區(qū)分典型問題研究5.1　面向噪聲數(shù)據(jù)的客戶價(jià)值區(qū)分“一步式”集成模型5.1.1　引言5.1.2　“一步式”集成策略的構(gòu)建5.1.3　實(shí)例分析5.1.3.1　試驗(yàn)設(shè)置5.1.3.2　類別噪聲情況下的分類結(jié)果5.1.3.3　屬性噪聲情況下的分類結(jié)果5.1.4　小結(jié)5.2　面向類別不平衡的客戶價(jià)值區(qū)分“一步式”集成模型5.2.1　引言5.2.2　用于處理類別不平衡數(shù)據(jù)的常用方法5.2.2.1　重抽樣技術(shù)5.2.2.2　代價(jià)敏感學(xué)習(xí)5.2.3　多分類器組合方法介紹5.2.3.1　靜態(tài)分類器組合方法5.2.3.2　動(dòng)態(tài)分類器組合方法5.2.4　“一步式”集成模型5.2.4.1　模型的基本思想5.2.4.2　代價(jià)敏感的外部評(píng)價(jià)準(zhǔn)則5.2.4.3　算法描述5.2.5　實(shí)例分析5.2.5.1　試驗(yàn)設(shè)置5.2.5.2　評(píng)價(jià)準(zhǔn)則5.2.5.3　試驗(yàn)結(jié)果分析5.2.6　結(jié)論5.3　面向缺失數(shù)據(jù)的客戶價(jià)值區(qū)分“一步式”集成模型5.3.1　引言5.3.2　數(shù)據(jù)缺失的機(jī)制5.3.2.1　隨機(jī)缺失5.3.2.2　完全隨機(jī)缺失5.3.2.3　非隨機(jī)缺失5.3.3　缺失數(shù)據(jù)的處理方法5.3.3.1　個(gè)案刪除法5.3.3.2　單值插補(bǔ)法5.3.3.3　多重替代法5.3.4　“一步式”集成策略5.3.5　實(shí)例分析5.3.5.1　試驗(yàn)設(shè)置5.3.5.2　試驗(yàn)結(jié)果分析5.3.6　結(jié)論5.4　客戶價(jià)值區(qū)分集成的實(shí)施步驟5.5　本章小結(jié)6　“一步式”客戶價(jià)值區(qū)分實(shí)證研究6.1　客戶流失預(yù)測實(shí)證分析6.1.1　數(shù)據(jù)來源6.1.2　預(yù)測結(jié)果分析6.2　客戶信用評(píng)估實(shí)證分析6.2.1　數(shù)據(jù)來源6.2.2　評(píng)估結(jié)果分析6.3　本章小結(jié)7　總結(jié)與展望7.1　總結(jié)7.2　研究展望參考文獻(xiàn)附錄A　證明附錄B　非參數(shù)統(tǒng)計(jì)檢驗(yàn)附錄C　偏差-方差分解索引

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    面向數(shù)據(jù)特點(diǎn)的客戶價(jià)值區(qū)分集成模型研究 PDF格式下載

---