近年来电信行业的发展非常迅速,2019年全国网民数已达9亿人,且手机用户数已达15亿,电信市场趋于饱和。在5G通信时代,随着携号转网的推行,电信运营商为保持市场中的强势,避免试图转换电信合作伙伴的客户流失,因此电信客户流失预测对于电信企业维系和挽留用户非常重要。通过对电信客户流失预测问题的分析,指出构建电信客户流失模型的关键因素在于业务理解和数据挖掘算法选择。近年来各类机器学习算法已经被大量应用到电信企业数据挖掘实践中,通过实现传统的机器学习算法,指出在标准化输入数据之外,选择合适的数据挖掘方法,可以显著地提高电信客户流失预测成功率。综合对比,在处理不平衡数据集的分类问题上,传统算法里面随机森林算法分类效果优于其它算法。在数据集采样阶段使用Kmeans-smote融合采样,比其他采样方法f1值平均提升3%,特征选择上采用了新式的弹性网络方法,改进后的模型较之前的AUC值提高了 5%。在算法层面,本文将聚类算法融合进随机森林算法构造新的随机森林模型,其中聚类算法用于挑选随机森林的生成子树。通过实验证明了算法改进的优良特性。本课题数据使用的是东南亚电信企业客户和行为数据,主要研究高价值客户,通过特征选择找到影响客户流失原因,画出多指标评估图,更为直观的呈现出客户流失的概率和分值。本文的预测研究成果将会为电信企业提供有价值的参考信息,提高营销效率。