基于数据挖掘的电商客户流失预测建模方法研究

文章针对数据挖掘技术在电子商务客户流失预测方面的应用研究,使用决策树算法、支持向量机算法分别建立电子商务客户流失预测模型,分析客户流失特征数据,并对2种方法的预测结果进行分析.     

结合K--means的分类方法在电信客户流失中的应用

通过对电信业客户流失预测的国内外研究成果的分析,我们发现造成电信业客户流失原因种类比较多、难以用一种通用的划分标准对流失客户的流失特征进行刻画,因此本文提出了将K—means算法与传统的分类算法相结合的方法进行客户流失分析,并进行了应用实验．该实验以中国联通湖南某地区X分公司的客户数据为基础,利用数据挖掘软件Clementine8．1建立了客户流失分类预测模型,模型的应用结果表明：新方法对客户流失预测的命中率高于传统的分类预测算法．     

逻辑回归算法在通信GPRS业务中的应用

为了对通信GPRS业务用户的流失情况进行有效的预测,对预测中常用三种算法的优劣势进行了比较,选取能很好处理0/1分类问题的逻辑回归算法,并基于逻辑回归算法建立了GPRS业务流失预测模型.提取了广东省移动公司GPRS业务用户流失概率最高的前5%和10%用户,通过查准率、查全率和提升率这三个指标对该模型进行检验,发现该模型定位流失用户的准确率和确定流失用户的覆盖率都是相当高的,说明其能对GPRS套餐使用客户的流失情况进行有效地预测.另外,通过把利用逻辑回归算法与利用决策树算法建立的预测模型的应用效果进行了对比,结果充分说明了利用逻辑回归算法建立的GPRS业务流失预测模型在实际应用中更具优越性.最后,根据该模型解在决实际预测问题中的效果,进一步验证了其具有很强的实用性.     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

数据挖掘技术在客户流失预警中的应用

数据挖掘是致力于数据分析和理解、揭示数据内部蕴藏知识的技术.本文研究数据挖掘中的决策树算法,并利用经典的C4.5算法对网通公司业务数据进行挖掘,针对小灵通客户流失问题建立了客户流失预警模型并予以具体实现,以便为公司提供决策依据.     

粗糙集与支持向量机在肝炎诊断中的应用

提出了一种基于粗糙集与支持向量机(SVM)的肝炎诊断方法.利用粗糙集对原始特征进行约减,得到多个特征子集,然后采用组选择算法进行二次约减,根据约减后的特征子集生成新的数据集,使用SVM对新的数据集进行训练和预测.采用UCI机器学习公共数据集,试验结果与数据分析表明,与SVM、神经网络(NN)、决策树所预测的结果对比,本...     

基于SVM的老年痴呆症智能诊断研究

为了验证支持向量机（SVM）更适用于基于血常规数据的老年痴呆症的预测诊断,通过仿真实验,将BP神经网络、RBF神经网络、SVM支持向量机分别应用于老年痴呆症的预测诊断,建立3种算法对应的诊断模型,并对3种模型的预测结果进行分析比较,仿真实验在Matlab软件平台上进行. 结果表明,与BP、RBF神经网络方法相比,SVM模型预测准确度高,建模时间短,整体性能好,更适用于基于血常规数据的老年痴呆症预测诊断,实际应用时可以此结论作为理论指导.     

基于决策函数及PSO优化的SVM预测控制应用研究

SVM处理大样本问题时性能明显不如神经网络,因此笔者利用矩阵变换进行决策函数的简化来提升SVM的训练速度,对SVM建模时非必需的支持向量进行约简,并引入一个松弛变量来提升约简效果.实验证明,约简后支持向量个数减少三分之一以上.SVM所建立的模型进行线性化之后应用于预测控制当中,采用PSO算法来选择最优的SVM参数和计算预测控制的最优控制律.通过对水泥回转窑窑尾烟室温度的数据进行实验仿真,结果表明该方法可以提高系统响应速度,减小系统响应的超调量.     

客户分析中的数据挖掘算法比较研究

对回归预测、决策树、神经网络、聚类和邻点预测、规则导引等5种数据挖掘预测算法分别进行介绍,并结合实例对各种方法适用情况进行了比较,以便有针对性地对客户行为采用有效的预测方法.其中:回归预测根据历史记录分析得出总体趋势;决策树方法是一种“二分制”数据分析和预测方法,主要用于对数据进行归类分割和预测,来解决定性分析的问题;神经网络方法主要对客户行为进行分析和预测,从定量的角度进行分析.     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

On the short-term regional prediction of foF2 based on the support vector machine

Ionospheric short-term forecasting is very important to radio communication, navigation and radar systems. In this paper, in order to improve the regional prediction accuracy of ionosphere, a model of regional prediction of the ionospheric F2 layer critical frequency in China area 1 hour in advance is set up based on the support vector machine (Support Vector Machine, referred to as SVM for short) method. In this model, the influence of solar activity, geomagnetic activity, the upper atmosphere, geographical location and other factors on the ionosphere is taken into consideration. Results of this model is compared to Back-Propagation referred to as BP for short the neural network of the same input parameters and the IRI model (International Reference Ionosphere, referred to as IRI for short). The results show that the average relative error of annual prediction of SVM in high solar activity years decreases by 2.5％ and 9.6％, respectively, compared with the neural network and the IRI models and in low solar activity decreases by 1.8％ and 7.5％, respectively. In the low latitude area, the prediction of SVM has more significant advantages over the BP neural network. In the high and low solar activity years it decreases by 3.2％ and 2.7％, respectively. During the storm time SVM also shows a relatively good prediction ability. This proves that the developed model based on SVM in the paper has more advantages over the BP neural network and IRI model.     

基于朴素贝叶斯和支持向量机的短信智能分析系统设计

为了解决垃圾短信的骚扰问题,提出了一种基于朴素贝叶斯和支持向量机的短信智能分析系统架构。考虑朴素贝叶斯的快速统计分类及支持向量机的增量训练等特点,将其应用于垃圾短信过滤中,并对关键词库进行及时更新,使得系统具有更好的自适应性。对某移动通信运营商提供的12万条短信进行反复实验,结果表明:该方法可有效地解决当前垃圾短信过滤系统中存在的问题。     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

基于隐朴素贝叶斯模型的链路预测算法

针对目前基于共邻节点及其改进的链接预测模型中存在对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息的问题,本文提出了基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision方法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

支持向量机及其在径流预测中的应用

给出了支持向量机方法(SVM)的思路、特点及关键之处,探讨了SVM在径流预测中的可能性,并与基于遗传算法的门限回归模型(TR) 进行了对比分析。径流预测实例分析表明,在拟合阶段,SVM模型要好于TR模型;在预留检验阶段,SVM模型与TR模型接近。同时SVM模型适合于小样本情况且能达到全局最优。SVM模型用于径流预测是可行的、优越的。     

黄壁庄水库副坝高压旋喷墙渗流分析

文中在对黄壁庄水库副坝高压旋喷墙段的工程地质条件、高压旋喷墙方案及施工质量进行分析的基础上,通过对黄壁庄水库副坝高压旋喷墙段渗流监测资料的分析,论述了高压旋喷墙的防渗效果,认为该段坝体是安全的。     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.