基于改进随机森林算法的电信客户流失预测及分析

发布时间：2023-03-23 01:19

　　近年来电信行业的发展非常迅速,2019年全国网民数已达9亿人,且手机用户数已达15亿,电信市场趋于饱和。在5G通信时代,随着携号转网的推行,电信运营商为保持市场中的强势,避免试图转换电信合作伙伴的客户流失,因此电信客户流失预测对于电信企业维系和挽留用户非常重要。通过对电信客户流失预测问题的分析,指出构建电信客户流失模型的关键因素在于业务理解和数据挖掘算法选择。近年来各类机器学习算法已经被大量应用到电信企业数据挖掘实践中,通过实现传统的机器学习算法,指出在标准化输入数据之外,选择合适的数据挖掘方法,可以显著地提高电信客户流失预测成功率。综合对比,在处理不平衡数据集的分类问题上,传统算法里面随机森林算法分类效果优于其它算法。在数据集采样阶段使用Kmeans-smote融合采样,比其他采样方法f1值平均提升3%,特征选择上采用了新式的弹性网络方法,改进后的模型较之前的AUC值提高了 5%。在算法层面,本文将聚类算法融合进随机森林算法构造新的随机森林模型,其中聚类算法用于挑选随机森林的生成子树。通过实验证明了算法改进的优良特性。本课题数据使用的是东南亚电信企业客户和行为数据,主要研究高价值客户...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
        1.1.1 课题研究背景
        1.1.2 课题意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究内容及创新点
    1.4 论文框架
第2章 相关理论技术综述
    2.1 数据挖掘理论
        2.1.1 数据挖掘的基本理论
        2.1.2 数据挖掘任务
    2.2 随机森林分类算法概述
    2.3 聚类算法概念
        2.3.1 聚类性能度量
        2.3.2 聚类距离计算
        2.3.3 原型聚类
        2.3.4 层次化聚类
        2.3.5 密度聚类
    2.4 电信客户流失概述
        2.4.1 客户流失定义
        2.4.2 客户流失原因
        2.4.3 客户流失预测面临的问题和挑战
    2.5 数据平衡研究与特征约减
        2.5.1 数据不平衡问题
        2.5.2 数据均衡化处理-数据层面
        2.5.3 数据均衡化处理-算法层面
        2.5.4 特征约减
    2.6 本章小结
第3章 电信客户数据集相关处理
    3.1 数据集采集
    3.2 数据集分析
    3.3 数据的清洗及选择
        3.3.1 过滤数据
        3.3.2 标记数据
        3.3.3 数据的特征选择
        3.3.4 数据的缺失值处理
    3.4 本章小结
第4章 电信客户流失模型构建
    4.1 实验设计
    4.2 算法模型评估指标
        4.2.1 混淆矩阵及相关性能指标
        4.2.2 ROC曲线和AUC值
    4.3 多种算法模型对比
    4.4 数据平衡化处理
        4.4.1 随机上采样方法
        4.4.2 少数类过采样smote方法
        4.4.3 混合采样smoteEnn方法
        4.4.4 基于聚类的融合采样改进方法
    4.5 优化随机森林的设计及实现
        4.5.1 问题的提出
        4.5.2 优化方案的设计
    4.6 本章小结
第5章 电信客户流失预测结果分析
    5.1 实验准备
    5.2 优化改进随机森林的结果对比分析
        5.2.1 特征选择方法的结果对比分析
        5.2.2 多种过采样方法结果实证分析
        5.2.3 聚类优化随机森林模型对比分析
    5.3 优化模型下的高价值客户分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3767978