一种f-scores 和svm 结合的客户分类方法 - 计算机系统应用.pdfVIP

2011 年 第 20 卷 第 1 期 计 算 机 系 统 应 用 一种 F-scores 和 SVM 结合的客户分类方法① 段刚龙，黄志文，王建仁 (西安理工大学 经济与管理学院，西安 710054) 摘 要：为了克服现有客户分类方法在假设前提、准确度、泛化能力等方面的不足，提出了一种 F-scores 和 SVM 算法相结合的客户分类方法，并把该方法应用到银行信用卡客户分类问题中予以验证。实证分析表明：该方法 最终的模型验证准确率可达 95% 以上，学习和分类能力良好。 关键词：SVM；F-scores ；属性选择；客户分类 A Method Combined of Support Vector Machine and F-scores for Customer Classification DUAN Gang-Long, HUANG Zhi-Wen, WANG Jian-Ren (Economics and Management School of Xi’an University of Technology, Xi’an 710054, China) Abstract: A method combined of F-scores and support vector machine for customer classification was proposed, which can overcome the shortages of the existing customer classification method such as strict hypothesis, poor generalization ability, low prediction accuracy and low learning rate etc., and was applied to the problem of bank credit card customer classification. Empirical results show the validation accuracies of the final model can achieve 95% or more, which concludes that learning and generalization abilities of this model are excellent. Keywords: support vector machine; F-scores; attribute selection; customer classification 1 引言 合的客户分类方法，能够解决客户分类中的很多实际 支持向量机(SVM)是基于统计学习理论的机器学 问题，弥补了一些现有方法的不足。 习方法，也是数据挖掘算法研究的热点之一。SVM 能 够较好的解决小样本，非线性，高维数识别和局部极 2 SVM基本原理 小点等问题，在模式识别等数据挖掘领域应用广泛。 支持向量机(Support Vector Machine ，SVM)是 详细说来，可以应用于如下领域：人脸检测，故障诊 Vapnik 等人提出的一种新型机器学习方法，它遵循结 断，分类，回归，聚类，时间序列预测，系统辨识， 构风险最小原则和有限样本假设，克服了传统机器学 金融工程，生物医药信号处理，生物信息，文本挖掘， 习(如神经网络)过学习、局部收敛、高维灾难等问题， 自适应信号处理，剪接位点识别，手写体相似字识别， 具有较好的学习能力和推广能力。SVM 的基本思想就 岩爆预测，缺陷识别，计算机键盘用户身份验证，视 是根据结构风险最小化原理