數(shù)據(jù)挖掘在移動(dòng)通信決策支持系統(tǒng)中的應(yīng)用-預(yù)覽頁(yè)
【正文】 （1）數(shù)據(jù)倉(cāng)庫(kù)移動(dòng)通信DS S數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)來(lái)自不同的系統(tǒng)，它們對(duì)數(shù)據(jù)的存儲(chǔ)和管理可能采用不同的形式，同時(shí)數(shù)據(jù)可能存在缺失和不一致 ，因此必須對(duì)數(shù)據(jù)行處理 。數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)的組織方式為進(jìn)行這種查詢分析提供了可能，但是僅僅依靠數(shù)據(jù)倉(cāng)庫(kù)本身 并不能完成這種復(fù)雜的數(shù)據(jù)查詢分析。( 3) 數(shù) 據(jù) 挖 掘 數(shù) 據(jù)挖掘是從大量 數(shù)據(jù)中提取人們感興趣 的 、 隱含 的 、 潛在有 用的信息 。 有效構(gòu)建高效的數(shù)據(jù)挖掘模型，是成功實(shí)施數(shù)據(jù)挖掘任 務(wù)的關(guān)鍵。在n維空間中應(yīng)用聚類數(shù)據(jù)挖掘時(shí)，采用明考斯基距離：d（i，j）＝（︱xi1－xj1︱q＋︱xi2－xj2︱q＋…＋︱xip－xjp︱q）1/q在聚類分析中，有的生產(chǎn)參數(shù)數(shù)據(jù)值根據(jù)聚類需要給予較大的權(quán)重。 d（i，j）＝（w1︱xi1－xj1︱q＋w2︱xi2－xj2︱q＋…＋wp︱xip－xjp︱q）1/q另一種極端情況是把所有的記錄歸入一個(gè)類，雖然實(shí)現(xiàn)了概括數(shù)據(jù)庫(kù)內(nèi)容的目的，但是不能 提供任何有用的信息。決策支持客戶數(shù)據(jù)集市客戶屬性類知識(shí)庫(kù)通話屬性……抽取樣本分層聚類規(guī)則提取綜合評(píng)價(jià)數(shù)據(jù)倉(cāng)庫(kù)圖2 移動(dòng)通信決策支持挖掘模型本文選定某電信企業(yè)動(dòng)感地帶業(yè)務(wù)3個(gè)月的80 0 0條數(shù)據(jù)，首先運(yùn)用 E T L對(duì)數(shù)據(jù)進(jìn)行抽取和規(guī)范化等處理， 然后在 C l e me n t i n e平臺(tái)上運(yùn)用 C 5 .0分類算法， 預(yù)測(cè)出有流失傾向的客戶和其流失特征，運(yùn)用 K ～ m e a n s 聚類算法總結(jié)歸納不同客戶群的流失特征，最后針對(duì)不同客戶的流失特征，制定挽留計(jì)劃4 .1數(shù)據(jù)預(yù)處理 數(shù)據(jù)預(yù)處理是對(duì)生產(chǎn)系統(tǒng)的數(shù)據(jù)進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換，它是數(shù)據(jù)挖掘中花費(fèi)時(shí)間 最長(zhǎng)的過程，并需對(duì)行業(yè)領(lǐng)域知識(shí)有較深的理解。 同ETL工具處理后，8000條記錄產(chǎn)生了50個(gè)字段。其他字段作為預(yù)測(cè)字段，通過歸納分析他們的特征來(lái)預(yù)測(cè)用戶是否離網(wǎng)。將在數(shù)據(jù)抽樣階段分離出的檢驗(yàn)數(shù)據(jù)集輸入該客戶流失預(yù)測(cè)模型中，借助 Analysis 節(jié)點(diǎn)， 分析該模 型的準(zhǔn)確率。2006[2]
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號(hào)-1