情报学报
情報學報
정보학보
2012年
9期
973-978
,共6页
迁移学习%分类%客户流失
遷移學習%分類%客戶流失
천이학습%분류%객호류실
数据完备性是基于数据驱动的分析方法的一个重要的前提,不完备的数据意味着很可能会丢失重要的判别信息,从而影响分析结果的准确性.针对现实情况下客户数据特征不同以及数据的不完备性对传统的基于数据驱动的分析方法的不利影响,本文将机器学习领域中迁移分类的方法应用于客户流失预测,通过谱特征排列(spectral feature alignment,SFA)实现了跨领域属性的近似统一,并利用直推式支持向量机(transductive support vector machines,TSVM)对客户数据进行分类从而识别忠诚客户和流失客户,使得预测模型的性能显著提高.在最后的实验部分,使用两个不同的数据集进行的迁移分类结果证明了本文提出模型的有效性.
數據完備性是基于數據驅動的分析方法的一箇重要的前提,不完備的數據意味著很可能會丟失重要的判彆信息,從而影響分析結果的準確性.針對現實情況下客戶數據特徵不同以及數據的不完備性對傳統的基于數據驅動的分析方法的不利影響,本文將機器學習領域中遷移分類的方法應用于客戶流失預測,通過譜特徵排列(spectral feature alignment,SFA)實現瞭跨領域屬性的近似統一,併利用直推式支持嚮量機(transductive support vector machines,TSVM)對客戶數據進行分類從而識彆忠誠客戶和流失客戶,使得預測模型的性能顯著提高.在最後的實驗部分,使用兩箇不同的數據集進行的遷移分類結果證明瞭本文提齣模型的有效性.
수거완비성시기우수거구동적분석방법적일개중요적전제,불완비적수거의미착흔가능회주실중요적판별신식,종이영향분석결과적준학성.침대현실정황하객호수거특정불동이급수거적불완비성대전통적기우수거구동적분석방법적불리영향,본문장궤기학습영역중천이분류적방법응용우객호류실예측,통과보특정배렬(spectral feature alignment,SFA)실현료과영역속성적근사통일,병이용직추식지지향량궤(transductive support vector machines,TSVM)대객호수거진행분류종이식별충성객호화류실객호,사득예측모형적성능현저제고.재최후적실험부분,사용량개불동적수거집진행적천이분류결과증명료본문제출모형적유효성.