客户流失给运营商带来巨大的损失,根据相关研究,对于运营商而言,开发一个新用户的成本至少是挽留一个老用户成本的6倍。而且,高价值的老用户给公司带来的利润甚至是新用户给公司带来利润的16倍,因此减少客户流失对于电信运营商非常关键。论文的研究重点是利用数据挖掘技术对电信数据进行构建二分类模型对用户进行流失预测。论文的主要的研究内容和成果如下:1.论文针对电信客户流失数据中特征维度过高的情况,使用Fisher得分方法对特征进行选择,通过实验,分析了不同的特征个数对随机森林和装袋模型的预测效果的影响。2.采用随机上采样、SMOTE方法和ADASYN方法这三个处理类不平衡的方法在随机森林和装袋模型上进行预测效果的对比。实验表明,ADASYN方法在处理类不平衡数据上耗时是随机上采样和SMOTE方法的10倍以上,而且基于该算法处理的数据在三个预测模型上的预测效果也低于其他两个方法,随机上采样方法产生的类平衡数据集在三个预测模型上效果是最好的。3.使用利润最大评价指标以成本-利润的视角将模型的输出与用户挽留活动获得收益相结合来评价模型。4.使用基于样本依赖的代价敏感性方法,根据用户的特点为每个用户设定真正例、真反例、假正例和假反例损失值,并且根据这些损失值改进决策树的特征选择方法和剪枝策略,最后训练基于该决策树进一步构建随机森林集成学习模型。实验结果表明,改进后的基于样本依赖决策树的随机森林集成学习模型的召回率为97%,高于一般装袋和随机森林模型。