基于RFM和粗糙集的客户分类规则提取

通过分析现有的分类规则提取方法,给出了一种提取客户分类规则的方法,该方法对客户的RFM属性进行K-均值聚类以确定客户价值,利用粗糙集完成规则提取,为客户分类提供了一种新的思路.通过实例验证了这种方法能够有效地对客户进行细分、提取分类规则,并提高了分类准确性.     

模拟退火K均值聚类算法及其应用研究

针对CRM客户分类,提出模拟退火算法与K均值算法相结合的聚类算法.利用模拟退火算法全局寻优能力改变k均值算法易陷入局部极值的缺点.经标准数据集检验,证明算法有效.根据烟草商业企业业务数据和卷烟营销特点分析,设计客户分类评价指标模型.将算法应用于烟草商业企业CRM客户分类,分类结果符合卷烟营销特点,从实用角度验证算法有效.根据客户分类设计了差异化CRM营销策略.     

基于改进的Random Subspace的客户投诉分类方法

电信业的客户投诉不断增多而又亟待高效处理。针对电信客户投诉数据的特点，提出了一种面向高维数据的改进的集成学习分类方法。该方法综合考虑客户投诉中的文本信息及客户通讯状态信息，基于Random Subspace方法，以支持向量机（Support Vector Machine，SVM）为基分类器，采用证据推理（Evidential Reasoning，ER）规则为一种新的集成策略，构造分类模型对电信客户投诉进行分类。所提模型和方法在某电信公司客户投诉数据上进行了验证，实验结果显示该方法能够显著提高客户投诉分类的准确率和投诉处理效率。     

改进K-均值聚类算法在电信客户分类中的应用

研究电信客户分类问题,根据不同类型采用不同策略.针对电信客户实行差异化营销和服务,需对电信客户进行准确分类.传统的k-均值聚类算法是一种重要数据挖掘技方法,存在对初始值敏感和易陷入局部最优的缺陷,导致电信客户分类正确率较低.为了提高电信客户分类的正确率,提出了一种改进k-均值聚类的电信客户分类算法.首先改进k-均值聚类算法通过变异、杂交和选择操作,然后根据分类特征动态地确定初始聚类数k和自适应确定聚类中心,最后采用湖南省某地区客户分类数据进行验证性实验.仿真结果表明,改进k-均值聚类算法很好地解决全局识别寻优问题,提高了客户分类正确率,大幅度减小误差.     

基于RS和SVM的客户协同创新伙伴选择

针对客户协同创新伙伴选择时面临决策属性多并且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的客户协同创新中伙伴选择模型。该方法的核心是应用粗糙集进行属性约简作为数据预处理以删除决策中的冗余属性,然后结合支持向量机在处理小样本以及非线性问题上的优势进行客户分类,在保证不会降低分类性能的前提下达到降低数据维数和分类过程中的复杂度的目的。论文最后将该方法应用于一工程实例,结果初步验证了论文提出模型和方法的有效性和可行性。     

一种基于遗传算法和SVM的特征选择

特征选择可以选出最有利于分类的特征,加快算法的运行速度,消除冗余,提高分类准确率.文中提出了一种基于遗传算法的特征选择方法.在遗传算法中结合支持向量机和分类权值的评价准则设计并实现了适合于该模型的适应度函数,并通过实验确定其参数.设计合理的罚函数.根据特征的数量给予一定的惩罚.针对移动企业客户恶意欠费行为,提出并建立基于支持向量机的消费欺诈预警模型.实验将此特征选择方法应用于消费欺诈预警模型中,结果验证了该方法的有效性,得到了满意的分类准确率.     

基于协同过滤的银行产品推荐系统建模

通过分析银行产品推荐系统与一般推荐系统的区别,采用协同过滤算法,设计银行产品推荐系统模型.首先采用决策树、聚类等数据挖掘方法进行客户分类,提高系统伸缩能力和推荐效率;同时从客户和产品两方面对交易明细进行数据分析,避免早期数据冷起动问题.该系统模型最终生成的客户/产品/时间匹配矩阵,有效辅助银行的客户关系管理及市场营销活动.     

基于WEKA的客户分类信息系统研究

本文采用决策树方法,对客户交易数据和客户基本信息进行数据挖掘分析,降低了数据冗余度,提高了数据集准确率。在RFM模型基础上,从客户交易信息中选取了购买频率和平均每次购买金额作为分类评估指标的补充,得到一组客户交易数据训练集。结合J48算法使用WEKA算法对客户交易数据训练集进行训练、测试和验证,构建了客户分类决策模型,从而有利于客户分类原型系统的系统分析和系统设计。     

基于差异度的不均衡电信客户数据分类方法

针对传统分类技术对不均衡电信客户数据集中流失客户识别能力不足的问题,提出一种基于差异度的改进型不均衡数据分类（IDBC）算法。该算法在基于差异度分类（DBC）算法的基础上改进了原型选择策略。在原型选择阶段,利用改进型的样本子集优化方法从整体数据集中选择最具参考价值的原型集,从而避免了随机选择所带来的不确定性;在分类阶段,分别利用训练集和原型集、测试集和原型集样本之间的差异性构建相应的特征空间,进而采用传统的分类预测算法对映射到相应特征空间内的差异度数据集进行学习。最后选用了UCI数据库中的电信客户数据集和另外6个普通的不均衡数据集对该算法进行验证,相对于传统基于特征的不均衡数据分类算法,DBC算法对稀有类的识别率平均提高了8.3%,IDBC算法对稀有类的识别率平均提高了11.3%。实验结果表明,所提IDBC算法不受类别分布的影响,而且对不均衡数据集中稀有类的识别能力优于已有的先进分类技术。     

决策树算法在饰品营销中的应用

阐述了饰品企业营销的现状,提出了将数据挖掘技术应用到饰品营销中的方案.在分析决策树算法的基础上,介绍了决策树算法及决策树的构造,并使用该算法对企业客户进行分类及对新客户类型预测,实现对商业数据中隐藏信息的挖掘,且对该挖掘模型进行了验证.     

基于GA的遥感图像目标SVM自动识别

为了高效合理地确定支持矢量机(SVM)的参数,使其对复杂的二值遥感图像目标进行自动识别,采用实值编码遗传算法来实现SVM模型参数的自动选择.与穷举搜索的留一法及随机试凑法相比,采用遗传算法的SVM模型参数选择更简单、更易于实现,并使SVM具有更好的推广能力.二值遥感图像目标的分类识别结果表明,该方法不但可以提高分类识别率,而且显著地缩短了SVM的训练时间.     

基于MKL-SVM的网络购物评论分类方法

购物网站在线评论系统收集了大量的顾客评价。支持向量机（SVM）是一种有效的文本分类方法,可以用于跟踪和管理顾客意见,但是SVM存在训练收敛速度慢,分类精度难以提高等缺点。文章提出利用异质核函数性的不同特性,解决支持向量机（SVM）数据泛化学习能力弱的问题,提高SVM的分类精度,通过对顾客购物评论进行分类,解决购物网站海量顾客评论分析的问题,帮助企业及时进行顾客反馈,提升服务水平。     

面向三维模型多样化分类的深度集成学习

基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集成学习器组成,可以自动学习复杂三维模型的复合特征信息;并使用层次迭代式学习策略,综合考量不同层次网络的特征学习能力,合理平衡各个初级学习器的子特征学习和集成学习器的集成特征学习效果,自适应于三维模型多样化分类任务。基于此,设计了一种面向多视图的深度集成学习网络MV-DEL(multi-view deep ensemble learning),应用于一般性、细粒度、零样本三种不同类型的三维模型分类任务中。在多个公开数据集上的实验验证了该方法具有良好的泛化性与普适性。     

基于胶囊网络的跨域行人再识别

行人再识别是在不同环境下再次对特定行人进行检索,近几年来受到国内外学者的广泛关注。目前行人再识别算法多采用局部特征与全局特征相结合的方法,在单一数据集上的训练和测试取得了非常好的成绩,但是在跨域测试中成绩并不理想,泛化能力较低。提出一种基于深度胶囊网络的跨域行人再识别方法,通过视角分类训练任务,模型可以学习图像中行人的有效特征,这些特征可以直接迁移到行人再识别任务中,缓解了行人再识别泛化能力不足的问题。实验结果表明,本文模型优于目前所有无监督学习行人再识别方法,具有良好泛化能力。     

基于代价敏感SVM的电信客户流失预测研究*

针对客户流失数据集的非平衡性问题和错分代价的差异性问题,将代价敏感学习应用于Veropoulos提出的采用不同惩罚系数的支持向量机,建立客户流失预测模型,对实际的电信客户流失数据进行验证。通过与传统SVM、C4.5和ANN对比研究,结果显示此方法在精确度、命中率、覆盖率和提升度均有所改善,表明此方法有效地解决了数据集的非平衡性和错分代价问题,是进行客户流失预测的有效方法。     

基于局部概率抽样的标签噪声过滤方法

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力较差、分类效果不够理想以及过滤效率低等问题。针对这些问题,提出一种基于标签置信度分布的局部概率抽样方法来进行标签噪声过滤。首先利用随机森林分类器对样本的标签进行投票,从而获取每个样本的标签置信度;然后根据标签置信度的大小,将样本划分为易识别样本和难识别样本;最后分别采用不同的过滤策略对样本进行过滤。实验结果表明,在标签噪声存在的情况下,所提方法在大多数案例上能够保持较高的噪声识别能力,并且在分类泛化性能上也具有明显优势。     

基于RELM的时间序列数据加权集成分类方法

时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域。为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法。首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪处理。其次,针对时间序列数据分类方法预测精度低、泛化性能较差的问题,提出了一种基于RELM的加权集成分类方法。该方法通过训练正则化极限学习机(RELM)隐藏层节点数量的方法,有效选取RELM基分类器;通过粒子群优化(PSO)算法,对RELM基分类器的权值进行优化;实现对时间序列数据的加权集成分类。实验结果表明,该分类方法能够对时间序列数据进行有效分类,并提升了分类精度。     

基于SVM集成学习的网络故障诊断方法

针对现有支持向量机(support vector machine,SVM)多分类方法在网络故障诊断中识别精度较低的问题,提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法;通过集成学习思想提高网络故障诊断的精度;在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性;在实际网络中的诊断实验表明,所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。     

基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。