- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于组合分类器的银行客户分类模型研究.pdf
一发展战略 一现代管理科学 12010年第10期
!
基于组合分类器的银行客户分类模型研究
●李勇 许晓晓赵金涛
摘要:客户分类管理,对于银行有效地实施客户关系管理具有重要意义.由于目前分类准确度存在问题,如何有效地
对客户进行分类预测就戍了十分重要并亟待解决的课题。本文以银行丰富的客户基本信息以及交易行为为对象,建立客
户分类预测模型,改进单一或简单组合分类器模型,提出一种基于S01d聚类和决策树的组合分类嚣方法,建立了客户分
类预测模型并对模型进行优化,并探讨该模型的实际应用。
关键词:客户关系管理;客户分类;SOM;决策树;组合分类器
一.研究方法概述 簇内部指标的有效性的度量都基于簇凝聚度和簇离
本文采用数据挖掘技术对重庆某银行客户信息进行 散度。而簇的凝聚度通常以误差平方和SSE来度量;簇离
分析.采用SoM聚类方法对该银行已出现过风险的客户散度通常以总组间变差SSB来度量。相应公式如下:
进行基于风险程度的聚类.将客户分为中风险客户和高风
险客户.丽未出险风险的客户设为低风险客户。通过决策 sSE=乞dist(ci,x)2
XeC
树分类器方法对三种风险客户建立分类预测模型.得出对 其中c;表示簇C。的质心
该银行客户风险分类预测效果较好的分类模型。以便及时 K
有效的发现低风险和高风险客户.并对不同风险客户采取 总SSB=艺midist(ci,c)2
i-l
相关管理措施.以指导该银行的客户关系管理。 其中Ci表示簇C;的质心;c表示总体质心;mi表示簇
分类器技术是模式识别及机器学习的重要研究领域。 C;中有lni个个体。
通过研究发现。某些模式识别问题,通常有多个特征可用 3.决策树。决策树方法是较为常用的分类方法,它的
于表征和识别模式.如果特征之间的差异太大。则难以将 预测效果较好且以树形结构表示.树的节点处给出对结果
它们集中到单一分类器中进行决策。有效融合SOM与决预测起较为重要作用的属性。结果形象直观.便于获得更
策树分类的优势.是本文在技术改进方面研究的侧重点。 多的挖掘信息以及应用。C4.5方法是在国际上影响较大的
1.数据模型。数据模型是对客户风险聚类和建立客 决策树方法。闻此本文采用C4.5决策树方法,对客户建立
户风险分类预测的数据挖掘模型的前提和条件。 价值预测分类模型。
聚类数据模型主要属性包括客户代码(ID)、第一、二、 决策树C4.5算法采用信息增益率(Gain
Ratio)作为决
三、四季度收益(C。。C2,C3,C4)及一年的收益(a11),属性类
策树模型中的属性选择的测试条件.可有效避免传统方法
型均为interval。 中熵和Gini指标可能产生大量输出的测试条件的情况.提
分类数据模型主要属性(及属性类型)为客户ID
高模型的性能。研究中采用后剪枝方法,在该方法中。初始
(Nominal)、性别(Binary)、年龄(Interval),以及年初余额、
决策树按照最大规模生长,然后进行剪枝的步骤,按照自
各季度笔数POS消费、金额POS消费、笔数柜台存款(均
底而上的方式修剪完全增长的决策树。当模型不能再改进
为Interval)。和风险客户分组groupl、g
文档评论(0)