在实际的电信客户数据集中,流失客户的占比远远低于非流失客户,故将客户流失预测视作不均衡数据的分类问题。传统分类算法以整体预测准确率为学习目标,忽略了偏斜的数据分布对分类结果的影响以及特征对类标签的识别作用,从而导致分类器对非流失客户过度学习,而对流失客户识别不足。因此,探索高效的不均衡数据分类方法对于解决流失预测所面对的数据不均衡问题具有重要意义。本文的主要研究内容如下:1.针对传统分类算法对不均衡电信客户数据集中流失客户识别能力不足的问题,给出了一种基于差异度的改进型不均衡数据分类算法(IDBC)。该算法借助差异度表示理论,利用样本对象之间的依赖性来重新定义样本对象的描述方式,并在差异度表示方法的基础上改进了原型选择策略,增加了特征选择。2.在构建分类模型的过程中,首先通过特征选择来消除冗余、无关的客户属性对原型选择的干扰,然后采用改进型的样本子集优化技术(ISSO)从整体数据集中选择最具参考价值的原型集,最后分别利用训练集和原型集、测试集和原型集样本之间的差异性来构建相应的特征空间,并采用传统的分类算法对映射到相应特征空间内的差异数据集进行学习。3.借助UCI数据库中六个普通的不均衡数据集以及两个电信客户数据集来验证该算法的有效性,并分析了特征选择方法、原型选择策略、原型对象数目以及差异度度量方法对IDBC算法的性能影响。实验结果表明:(1)改进型的样本子集优化技术(ISSO)能够消除随机选择所带来的不确定性;(2) IDBC算法不受偏斜类别分布的干扰,并且对不均衡数据集中少数类的识别能力优于已有的先进分类技术;(3) mRMR特征选择方法、ISSO原型选择策略、20个原型对象以及标准欧氏距离度量方法是目前IDBC算法在解决不均衡电信客户分类问题时的合理选择。