改进支持向量机在电信客户流失预测的应用
【摘要】:电信流失客户数据精确预测是挽留客户的有效手段。电信业的管理中对收费、投诉、业务受理等问题,显然是一种典型的非平衡样本,传统用标准的支持向量机没有考虑样本分布不平衡问题,虽然在样本数据平衡前提下具有较好的预测精度,但对于不平衡电信客户数据,预测精度大大下降。为提高预测精度,针对支持向量机处理不平衡样本时的缺陷,提出了基于代价敏感学习的支持向量机模型。模型利用代价敏感学习对不平衡样本集分别采用不同惩罚系数,然后建立电信客户流失预测模型,最后对实际电信客户流失数据进行测试。通过与标准支持向量机、神经网络对比,结果表示模型提高了预测精度,有效地解决了数据集非平衡性问题,是一种有效的电信客户流失预测方法。
|
|
|
|
1 |
邹鹏;郝媛媛;;客户价值细分的代价敏感支持向量机方法[J];计算机应用研究;2009年01期 |
2 |
杨扬;李善平;;基于实例重要性的SVM解不平衡数据分类[J];模式识别与人工智能;2009年06期 |
3 |
邹鹏;于渤;王宪全;;面向数据漂移的代价敏感客户细分[J];哈尔滨工业大学学报;2011年01期 |
4 |
程学云;吉根林;凌霄汉;;基于SVM的多类代价敏感学习及其应用[J];南京师范大学学报(工程技术版);2006年04期 |
5 |
田盛丰,黄厚宽;基于支持向量机的数据库学习算法[J];计算机研究与发展;2000年01期 |
6 |
张铃;支持向量机理论与基于规划的神经网络学习算法[J];计算机学报;2001年02期 |
7 |
阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期 |
8 |
朱国强,刘士荣,俞金寿;支持向量机及其在函数逼近中的应用[J];华东理工大学学报;2002年05期 |
9 |
侯风雷,王炳锡;基于支持向量机的说话人辨认研究[J];通信学报;2002年06期 |
10 |
马永军,方凯,刘暾东,方廷健;基于支持向量机和方差的管道内表面粗糙度等级识别[J];信息与控制;2002年05期 |
11 |
吴飞,庄越挺,潘云鹤;基于增量学习支持向量机的音频例子识别与检索[J];计算机研究与发展;2003年07期 |
12 |
孙延风,梁艳春;支持向量机的数据依赖型核函数改进算法[J];吉林大学学报(理学版);2003年03期 |
13 |
朱永生,张优云;支持向量机分类器中几个问题的研究[J];计算机工程与应用;2003年13期 |
14 |
朱家元,吴伟,张恒喜,董彦非;一种新型的多元分类支持向量机[J];计算机工程;2003年17期 |
15 |
饶鲜,董春曦,杨绍全;应用支持向量机实现计算机入侵检测[J];西安电子科技大学学报;2003年03期 |
16 |
周志明,陈敏;支持向量机的人脸识别方法[J];咸宁学院学报;2003年03期 |
17 |
赵洪波;赵丽红;;支持向量机学习算法—序列最小优化(SMO)[J];绍兴文理学院学报(自然科学版);2003年04期 |
18 |
吴成东,杜崇峰,杨丽英;基于误差修正码的支持向量机大类别分类方法[J];沈阳建筑工程学院学报(自然科学版);2004年01期 |
19 |
张健,李艳,朱学峰,黄道平,史步海;基于支持向量机的蒸煮过程卡伯值软测量[J];计算机测量与控制;2004年02期 |
20 |
张辉,张浩,陆剑峰;SVM在数据挖掘中的应用[J];计算机工程;2004年06期 |
|