本书内容包括：客户价值区分集成的基础研究、基于GMDH的分类器集成方法研究、客户价值区分典型问题研究、“一步式”客户价值区分实证研究等。
《面向数据特点的客户价值区分集成模型研究》将自组织数据挖掘与集成学习相结合来研究客户价值区分问题。从客户价值区分中的客户数据所具有的不同特点出发，提出了面向CRM客户数据特点的客户价值区分“一步式”集成解决方案。为了改进多分类器集成的分类性能，我们从两个方面着手：①改进基本分类器的分类性能。将GMDH与常用的贝叶斯网络分类模型相结合，提出了基于GMDH的选择性贝叶斯网络扩展的朴素贝叶斯分类模型（SelectiveBayesianNetworkAugmentedNaiveBayes，SBNANB）。②改进集成策略。
序言
1 绪论
1.1 研究背景
1.2 客户价值区分研究现状
1.2.1 客户信用评估
1.2.1.1 面向类别不平衡数据的客户信用评估
1.2.1.2 面向噪声数据的客户信用评估
1.2.1.3 面向缺失数据的客户信用评估
1.2.2 客户流失预测
1.2.2.1 面向类别不平衡数据的客户流失预测
1.2.2.2 面向噪声数据的客户流失预测
1.2.2.3 面向缺失数据的客户流失预测
1.2.3 文献回顾小结
1.3 研究框架
1.3.1 研究思路
1.3.2 研究内容
1.3.3 研究创新点
1.4 本书结构安排
2 相关理论知识介绍
2.1 自组织数据挖掘简介
2.1.1 自组织数据挖掘的基本思想
2.1.2 多层GMDH算法的建模步骤
2.1.3 多层GMDH算法的抗干扰性
2.2 分类器集成简介
2.2.1 多分类器集成模型
2.2.2 基本分类器的生成方法
2.2.3 常用的分类器集成方法
2.3 本章小结
3 客户价值区分集成的基础研究
3.1 客户价值理论
3.1.1 客户价值概念的界定
3.1.2 客户生命周期价值
3.2 客户价值区分的研究框架
3.3 客户价值区分集成的研究框架
3.3.1 客户价值区分集成的概念界定
3.3.2 客户价值区分集成的工作原理
3.4 本章小结
4 基于GMDH的分类器集成方法研究
4.1 基于GMDH的贝叶斯网络分类模型
4.1.1 引言
4.1.2 贝叶斯结构学习简介
4.1.3 选择性贝叶斯网络扩展的朴素贝叶斯模型
4.1.4 基于GMDH的SBNANB分类器的结构识别
4.1.4.1 外准则的选择
4.1.4.2 GBC算法描述
4.1.5 试验分析
4.1.5.1 数据和实验设计
4.1.5.2 分类器的结构识别
4.1.5.3 无噪声情况下的贝叶斯分类试验
4.1.5.4 有人工噪声情况下的贝叶斯分类试验
4.1.5.5 讨论
4.1.6结论
4.2 基于GMDH的静态分类器集成选择策略
4.2.1 引言
4.2.2 静态分类器集成选择算法
4.2.2.1 外准则的选择
4.2.2.2 算法描述
4.2.2.3 算法复杂度分析
4.2.3 实验分析
4.2.3.1 不同算法的分类精度对比分析
4.2.3.2 基于不用融合算法的客户分类性能
4.2.4 结论
4.3 基于GMDH的动态分类器集成选择策略
4.3.1 引言
4.3.2 动态分类器集成选择简介
4.3.2.1 基于K-nearest-oracles的动态集成选择
4.3.2.2 基于DCS的动态集成选择
4.3.2.3 动态过度生产-选择策略
4.3.3 基于GMDH的动态分类器集戍选择算法
4.3.3.1 外准则的选择
4.3.3.2 算法描述
4.3.4 实验设计
4.3.5 实验结果分析
4.3.5.1 几个重要参数对GDES-AD性能影响的分析
4.3.5.2 无噪声情况下的分类性能比较
4.3.5.3 类别噪声情况下的分类性能比较
4.3.5.4 属性噪声情况下分类性能比较
4.3.5.5 偏差-方差分解
4.3.6 讨论
4.3.7 结论
4.4 本章小结
5 客户价值区分典型问题研究
5.1 面向噪声数据的客户价值区分“一步式”集成模型
5.1.1 引言
5.1.2 “一步式”集成策略的构建
5.1.3 实例分析
5.1.3.1 试验设置
5.1.3.2 类别噪声情况下的分类结果
5.1.3.3 属性噪声情况下的分类结果
5.1.4 小结
5.2 面向类别不平衡的客户价值区分“一步式”集成模型
5.2.1 引言
5.2.2 用于处理类别不平衡数据的常用方法
5.2.2.1 重抽样技术
5.2.2.2 代价敏感学习
5.2.3 多分类器组合方法介绍
5.2.3.1 静态分类器组合方法
5.2.3.2 动态分类器组合方法
5.2.4 “一步式”集成模型
5.2.4.1 模型的基本思想
5.2.4.2 代价敏感的外部评价准则
5.2.4.3 算法描述
书单推荐
