用于電信業(yè)中無力償還客戶的決策支持的數(shù)據挖掘(編輯修改稿)
2025-03-08 04:54 本頁面
【文章內容簡介】 單的額外收費 ”在兩類客戶和不同種類帳戶中的同質性實施假設檢驗。證明了兩類用戶間在此特征上差異顯著。 Rejectn “分期付款 ”研究一個客戶要求分期付款的次數(shù)。假設 “兩類客戶中要求分期付款的客戶的比例相同 ”被拒絕。證明在兩類客戶在此特征上有明顯不同。 Reject5) 定義數(shù)據挖掘功能及特征選擇n 預測客戶是否是無力償還客戶可以視為一個分類問題，該問題具有以下特征：n ，已知的帳戶組中每個 BP期間兩類客戶的分布非常不平均，大約有 %的有力償還客戶， %的無力償還客戶。n 2. 在數(shù)據集中無力償還客戶的絕對數(shù)目很小，因為在每個已知的 BP期間只有幾個無力償還客戶的case。n ，兩類的錯分引起的代價不同。解決方案n 創(chuàng)建一個新的數(shù)據集，專用于數(shù)據挖掘功能。n 新數(shù)據集特性n 目標：創(chuàng)建一個有力償還客戶的代表性的樣本，使得算法可以有效的訓練。n 組成結構：兩類用戶的比例發(fā)生了變化， 90%的有力償還客戶， 10%的無力償還客戶。n 實現(xiàn)方法：保留原始數(shù)據集中所有無力償還客戶的例子，對有力償還的客戶進行層層抽樣。依據一組 3個特征（地理區(qū)域，電話連接類型，電話帳戶組）用于層次化抽樣。這 3個特征在抽樣中應該與在原始數(shù)據集中比例相同，使得 a)保持 3種不同的地域區(qū)別 b)代表不同的電話連接 c)減少電話帳戶組的季節(jié)性影響處理結果 兩類客戶在關鍵時期的平均付費單元數(shù)6) 選擇分類算法n 本研究使用的算法及結果如下： ，給出了一個線性分類器。 ，給出了一個非線性分類器。 ，給出了一個基于規(guī)則的分類器。n 我們實驗中的依賴變量為描述顧客的SOLVENT(置為 0)或 INSOLVENT(置為 1)。7) 數(shù)據挖掘實驗的結果為了測試和比較不同分類算法的性能，做了一些實驗。n 實驗所用數(shù)據集n 創(chuàng)建的數(shù)據集被分為了兩部分： 第一部分，含有 2/3的例子，作為訓練集； 第二部分，含有 1/3的例子，作為測試集。 所做實驗都采用該劃分好的數(shù)據集。8) 逐步回歸分析n 回歸分析 使用工具： SPSS Version 決策樹n 在回歸分析階段選出的 17個變量作為決策樹的輸入。如前所述， 2/3的數(shù)據用于訓練以建立一個基于規(guī)則的分類器，余下的1/3用于測試生成的決策樹。決策樹的結點表示特征的測試，葉子表示可能的有力償還和無力償還客戶。神經網絡n 利用后向傳播算法，仍然使用回歸分析中選出的 17個變量作為訓練網絡的輸入。對三種分類器結果的解釋說明從上表可以看出，對于第一個目標，最大化無力償還客戶的分類正確率，決策樹的效果最好；對于第二個目標，最小化有力償還客戶的錯分率，仍是決策樹的效果最好。9)使用發(fā)現(xiàn)的知識n 在 casebycase的比較中，每個 case（一個客戶）被分別檢驗。n 做法：如果三個分類器意見一致，則該 case就被分類，否
環(huán)評公示相關推薦
鄂ICP備17016276號-1