基于粗糙集和支持向量机的客户价值分类.pdfVIP

第 27 卷　第 1 期 广西师范大学学报: 自然科学版 V o l. 27　N o. 1 2009 年 3 月 　　　　 Jou rn a l o f Gu an gx i N o rm a l U n iver sity:N atu ra l Scien ce E d it ion 　　　　　 M ar. 2009 基于粗糙集和支持向量机的客户价值分类 刘东升, 琚春华, 陈　威 (浙江工商大学 计算机与信息工程学院, 浙江 杭州 3 100 18) 摘　要: 针对现有数据挖掘模型解决客户价值分类的不足, 提出了基于粗糙集和支持向量机理论的客户分类 模型。该模型首先应用粗糙集理论对主要指标属性进行特征提取, 约简出主要指标体系, 然后将训练样本送 入支持向量机进行学习和训练, 进而对检验样本的客户类别进行判别。结果表明: 与传统的客户分类模型相 比, 基于粗糙集和支持向量机的客户分类模型对检验样本的预测精度更高, 具有良好的分类效果, 是一种更为 高效和实用的分类方法。 关键词: 粗糙集; 支持向量机; 多类分类; 统计学习理论 中图分类号: C 93 1　　　文献标识码: A 　　　文章编号: 100 16600 (2009) 0 1009704 客户价值对于企业决策的支持作用 日益突显, 如何根据客户价值的表现对客户进行分类已成为当今 关注的焦点。客户价值分类受心理、社会等多因素影响, 具有较小的不确定性和随机性, 目前的方法很难把 握客户未来价值的变动情况, 在实际应用中受到了很多限制。因此, 构建先进实用的客户价值分类方法, 准 确地对客户进行预测和分类, 对提高企业决策具有重要意义。 对于客户价值分类模型的构建, 目前得到广泛应用的方法有 、 回归判别模型、神经网络 DM A L o g ist ic [ 1 ] 分析方法等。弗雷德里克 ·莱希赫尔德开发了客户价值分类的弗雷德里克 ·莱希赫尔德体系 ; F ran cis [2 ] E. H. T ay 等提出通过 SVM 回归求解支持 SVM 分类 ; 陈明亮提出了客户生命周期的客户价值分类模 [3 ] [4 ] 型 ; 齐佳音等提出了基于净现值的新的客户价值评价体系 。多数研究结果表明, 支持向量机在小样本 情况下大多优于传统统计方法[ 5, 6 ] 。 为此, 本文结合粗糙集和支持向量机理论, 构建基于粗糙集和支持向量机的客户价值分类模型, 为客 户价值分类提供一个新的分类方法。考虑到随着支持向量机常为二类分类和随着冗余数据的增多, 支持向 量机易陷入过度学习、局部最小点等症状, 本文将粗糙集方法作为支持向量机系统的前置系统, 通过粗糙 集方法有效减少分类系统的评价指标属性数量, 同时通过增加惩罚因子实现多类分类, 以提高该模型的预 测精度。 1　基于粗糙集—支持向量机系统的客户分类模型 11　相关研究工作基础 粗糙集理论是一种有效处理不精确、不确定、不完全数据的工具, 可在保持分类能力不变的前提下, 通 [7 ] 过知识约简导出问题的决策或分类规则 。支持向量机理论是一种建立在统计学习理论基础之上的机器 学习方法, 其主要是样本空间或特征空间构造出最优超平面 ( ) , 根据 结构风险最小化原则和