改进支持向量分类机在客户流失预测中应用.docVIP

改进支持向量分类机在客户流失预测中应用 　　摘 要：针对目前客户流失预测方法的不足，在利用训练样本中不同类个数比值来确定各类惩罚参数的基础上，改进标准的C-支持向量分类机(SVC)。通过以美国某电信公司客户流失预测为实例，与标准C-SVC、人工神经网络、决策树、贝叶斯分类器等方法进行了对比，发现该方法能获得较好的正确率、命中率、覆盖率和提升系数，是研究客户流失预测问题的有效方法。 　　关键词：客户流失；支持向量分类机；电信业；惩罚参数 　　中图分类号：F27文献标志码：A 　　文章编号：1001-3695(2009)06-2044-03 　　doi:10.3969/j.issn.1001-3695.2009.06.013 　　 　　Application of improved support vector classifier in customer churn prediction 　　XIA Guo-en??a，SHAO Pei-ji??b 　　(a.Postdoctoral Station,b.School of Management,University of Electronic Science Technology of China, Chengdu 610054, China)Abstract:Aiming at the shortcomings of the methods for customer churn prediction,developed the improved C-support vector classifier(SVC) by using the ratio of different classes in training set to evaluate the penalty parameters of the classes. It pointed out that the method could acquire the better accurate rate,hit rate,covering rate and lift coefficient, compared with normal C-SVC, aritifical neural network, decision tree, logistic regression, naive Bayesian classifier etc by predicting custo-mer churn for some US telecommunication carrier.The results indicate that the method can be an effective measurement for customer churn prediction. 　　Key words:customer churn; support vector classifier(SVC); telecommunication industry; penalty parameter 　　 　　客户流失是许多行业关注的一个重要问题，特别是在激烈竞争和越发自由的国内外电信市场，更是受到学术界和实业界的广泛关注[1]。据估计，电信业平均每月客户流失率约为2.2%[2]。客户流失不仅会因为减少销售而产生机会成本，而且还会导致所吸引的新客户减少[2]。而赢得一个新客户所花费的成本约为??$300~600[3]，这大约是保留一个老客户所花费成本的5、6倍[4]。为了有效地预测未来潜在的流失客户，主要提出了以下两类方法：a）传统分类方法，如决策树[5]、Logistic回归[6,7]、贝叶斯分类[8]、聚类[9]。该类方法的主要特点是可以对定类数据和连续性的客户数据进行处理，并且对于所构建的模型有较强的可解释性。但是，该类方法处理大规模、高维度、含有非线性关系、非正态分布、有时间顺序的客户数据时，其效果不理想，且不能保证所建模型的泛化能力。b）人工智能分类方法，如人工神经网络（ANN）[10]。自组织映射（SOM）[11]和进化学习(EL)算法[12]。该类方法在一定程度上能克服第一类方法面临的困难，不仅具有非线性映射能力和泛化能力，而且具有较强的鲁棒性和较高的预测精度[10]，但是此类方法主要依靠的是经验风险最小化原则[13]，容易导致泛化能力的下降且模型结构难以确定。这些不足极大地限制了上述方法在实际中的应用。支持向量分类机(SVC)[14]则很好地解决了上述问题,并在实际应用中取得了很好的性能。但在标准的C-SVC中，由于对不同类别样本错误划分采用了相同的惩罚参数C，使得分类面偏向样本密度较小的一边，在处理具有样本类别