对于流失贝叶斯决策树在电信企业客户流失预测中运用
最后更新时间:2024-01-23
作者:用户投稿本站原创
点赞:6740
浏览:19118
论文导读:
摘要:在数据库技术广泛运用的今天,如何以大量数据中提取人们事先未知的有效信息已成为各行各业倍加关注的热点。目前,国内外众多学者更多的致力于数据挖掘技术在实践中的运用探讨。在竞争激烈的IT市场中,企业获得新客户的成本不断上升。由此保持原有客户,防止老客户的流失也更有作用。数据挖掘以电信企业产生的大量数据中发现可能流失的用户。使得决策者能够针对不同类型的用户采用不同的营销对策,并最终挽留客户,在市场竞争中领先。本文主要完成的工作如下:(1)本论文重点分析和探讨了数据挖掘算法中的经典算法决策树,给出了决策树的提取规则和论述依据,分析与对比了结合贝叶斯算法的决策树算法和其他数据挖掘算法的优缺点。(2)基于Weka平台知识自动获取,遵守CRISP-DM历程建立预测模型。(3)从该论述模型为基础,利用移动公司客户数据和UCI数据。实现客户流失预测功能并提取主要流失规则,对电信企业提出有用的挽留倡议。结果表明,本论文算法在牺牲了较小的训练时间与分类时间的状况下,得到了比单纯决策树从极为他数据挖掘算法更高的覆盖率与命中率。且贝叶斯决策树算法图形直观,易于理解,具有一定的论述作用和实用价值。关键词:数据挖掘论文ID3论文.5论文贝叶斯决策树论文客户流失论文Weka平台论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要3-4
Abstract4-7
第一章 绪论7-16
4.
第五章 总结和展望48-50
参考文献50-53
在校期间发表论文状况53-54
致谢54
摘要:在数据库技术广泛运用的今天,如何以大量数据中提取人们事先未知的有效信息已成为各行各业倍加关注的热点。目前,国内外众多学者更多的致力于数据挖掘技术在实践中的运用探讨。在竞争激烈的IT市场中,企业获得新客户的成本不断上升。由此保持原有客户,防止老客户的流失也更有作用。数据挖掘以电信企业产生的大量数据中发现可能流失的用户。使得决策者能够针对不同类型的用户采用不同的营销对策,并最终挽留客户,在市场竞争中领先。本文主要完成的工作如下:(1)本论文重点分析和探讨了数据挖掘算法中的经典算法决策树,给出了决策树的提取规则和论述依据,分析与对比了结合贝叶斯算法的决策树算法和其他数据挖掘算法的优缺点。(2)基于Weka平台知识自动获取,遵守CRISP-DM历程建立预测模型。(3)从该论述模型为基础,利用移动公司客户数据和UCI数据。实现客户流失预测功能并提取主要流失规则,对电信企业提出有用的挽留倡议。结果表明,本论文算法在牺牲了较小的训练时间与分类时间的状况下,得到了比单纯决策树从极为他数据挖掘算法更高的覆盖率与命中率。且贝叶斯决策树算法图形直观,易于理解,具有一定的论述作用和实用价值。关键词:数据挖掘论文ID3论文.5论文贝叶斯决策树论文客户流失论文Weka平台论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要3-4
Abstract4-7
第一章 绪论7-16
1.1 引言7-9
1.2 数据挖掘技术在国内外电信企业中探讨近况9-13
1.2.1 国外的探讨状况9
1.2.2 国内的探讨状况9-10
1.2.3 数据挖掘在电信企业的运用10-13
1.2.4 数据挖掘的探讨热点从及未来进展13
1.3 本文的探讨工作与作用13-14
1.4 论文的组织结构14-16
第二章 数据挖掘论述综述16-262.1 数据仓库介绍16-18
2.1.1 数据仓库的概念16
2.1.2 数据仓库的特征16-17
2.1.3 数据仓库的体系结构17
2.1.4 数据仓库与数据挖掘的联系17-18
2.2 数据挖掘概述18-252.1 数据挖掘的定义18-19
2.2 数据挖掘的办法19-21
2.3 数据挖掘体系结构与 CRISP-DM 模型21-24
2.4 数据挖掘算法介绍24-25
2.3 本章小结25-26
第三章 贝叶斯决策树算法简介26-353.1 决策树分类办法26-30
3.1.1 决策树算法概念26
3.1.2 决策树算法原理26-27
3.1.3 决策树的构建27-28
3.1.4 决策树的剪枝28-29
3.1.5 常用决策树算法29-30
3.2 贝叶斯分类办法30-313.3 贝叶斯决策树分类算法31-34
3.1 贝叶斯决策树概念31-32
3.2 贝叶斯决策树算法思想32-33
3.3 贝叶斯决策树算法描述33-34
3.4 本章小结34-35
第四章 电信企业客户流失预测模型35-484.1 客户流失分类预测与 WEKA 平台介绍35-36
4.1.1 客户流失分类35
4.1.2 WEKA 平台介绍35-36
4.2 预测流程36-474.
2.1 知识理解36-37
4.2.2 数据准备37-38
4.2.3 数据预处理38-40
4.2.4 建立模型40-42
4.2.5 模型评价42-47
4.3 本章小结47-48第五章 总结和展望48-50
参考文献50-53
在校期间发表论文状况53-54
致谢54