互联网 qkzz.net
全刊杂志网:首页 > 女性 > 文章正文
刊社推荐

基于简易支持向量机的客户流失预测研究


摘 要:应用简易支持向量机(SSVM)进行客户流失预测,以提高机器学习方法的预测能力。以国外电信公司客户流失预测为实例,与最近邻算法(NPA)进行了对比,发现该方法在获得与NPA近似准确率的条件下,所花费的时间和时间增加值远小于NPA,是研究客户流失预测问题的有效方法。
  关键词:客户流失; 简易支持向量机; 预测
  中图分类号:F830.133 文献标志码:A
  文章编号:1001-3695(2010)03-0904-03
  doi:10.3969/j.issn.1001-3695.2010.03.026
  
  Customer churn prediction based on simple support vector machine
  
  XIA Guo-en
  
  (Dept. of Business Management , Guangxi UniversityofFinance & Economics, Nanning 530003, China)
  
  Abstract:To improve the prediction abilities of machine learning methods, this paper applied a simple support vector machine(SSVM) to customer churn prediction. The method was compared with NPA regarding customer churn prediction for foreign telecommunication carrier. It was found that the method need less time and adding time with the consistent precision, and provided an effective measurement for customer churn prediction.
  Key words:customer churn; simple support vector machine(SSVM); prediction
  
  0 引言
  客户流失预测是利用客户记录历史数据,对潜在的流失客户进行判断的过程。为了进一步提高预测模型的精度和稳定性,近年来,研究人员开始探索基于结构风险最小化原则的预测方法,这使客户流失预测研究跨入了基于统计学习理论的预测方法研究阶段。该类方法主要以支持向量机(support vector machine,SVM)为代表。赵宇等人[1]针对美国Duke大学客户关系管理中心的调查数据,利用改进的SVM来预测未来可能流失的客户,取得了较高的整体准确率。Shao等人[2]为了平衡由数据抽样带来的预测偏差,引入了三种AdaBoost 算法,并利用SVM方法建立了预测模型。夏国恩等人[3~5]应用基于结构风险最小化准则的SVM进行客户流失预测,以提高机器学习方法的预测能力。但是,在处理实际大规模客户流失预测问题时,由于存储和计算量两方面的要求,标准SVM所花费的时间成本过大。事实上,这些算法都要存储与训练样本集相应的核矩阵,然而存储核矩阵所需的内存是随着训练样本集中样本点个数的平方增长的。当样本点数以成千计时,所需内存已相当大。例如,当样本点数目超过4 000时,存储核函数矩阵需要多达128 MB内存[6]。另外,这些算法往往包含大量的矩阵运算,所需时间往往过长。上述事实迫使研究者设计专门针对SVM的新算法。专用算法的一个共同特点是:将大规模的原始问题分解成若干小规模的子问题,按照某种迭代策略,反复求解子问题,构造出原问题的近似解,并使该近似解逐渐收敛到原始问题的最优解。根据子问题的选取和迭代策略的不同,研究者提出的专用算法有选块(chunking)算法[7]、分解(decomposing)[8]算法、序列最小最优[9](sequential minimal optimization,SMO)算法和最近邻算法[10](nearest point algorithm,NPA)。因此,将快速SVM迭代算法应用到客户流失预测中是有必要的。 ......
很抱歉,暂无全文,若需要阅读全文或喜欢本刊物请联系《计算机应用研究》杂志社购买。
欢迎作者提供全文,请点击编辑
分享:
 

了解更多资讯,请关注“木兰百花园”
分享:
 
精彩图文


关键字
支持中国杂志产业发展,请购买、订阅纸质杂志,欢迎杂志社提供过刊、样刊及电子版。
关于我们 | 网站声明 | 刊社管理 | 网站地图 | 联系方式 | 中图分类法 | RSS 2.0订阅 | IP查询
全刊杂志赏析网 2017