基于灰色关联度和K-Means++的电子商务客户价值分类

现有的模型大多采用RFM模型和K-means对客户价值进行分类,对指标权重的确定大多采用AHP法,没有考虑到RFM模型指标相互之间的联系.首先根据RFM模型选择平均购买时间间隔,客户在一定时间内的购买频率,平均每笔订单交易金额和客户的活跃时间构造RFMT模型来衡量客户价值.其次使用灰色关联度确定各指标权重.最后针对K-means的缺点,运用改进K-means(K-means++)和肘部法则对RFMT模型进行聚类分析.该模型能对客户群进行更加细致的划分,既能帮助电子商务企业识别出需要重点关注的客户即已流失客户和新客户群体,同时将该企业客户划分为价值由高到低的客户群,对不同客户群提出具体的营销建议.

基于XGB-BFS特征选择算法的电信客户流失预测

客户流失是现代企业面临最困难的问题,对客户流失进行预测是电信业保留现有客户的最有效策略之一。电信客户数据集往往具有高维特征,选择重要特征并减少无关属性的数量可以提高模型的分类性能。针对客户流失数据集高维特征的问题,提出了一种混合的XGB-BFS特征选择方法。首先基于XGBoost的Fscore值对特征重要性排序来度量特征与目标变量之间的相关关系,然后使用序列后向搜索的方法依次删除重要性最低的特征,根据验证集的AUC值判断是否保留该特征,最后将选择的特征子集用于构建XGBoost客户流失预测模型。在电信客户流失数据集上的实验结果表明,该方法能够筛选出特征重要性较高的特征且删除了冗余特征,与基于递归特征消除的Logistic模型、基于Embedded的Adaboost和随机森林模型相比,具有良好的性能。

如何开发小学科学课程资源

新课改的亮点之一就是课程资源的开发和利用,在广义和狭义上,课程资源都是教学过程中重要的内容而不能被忽视。小学科学的设置具有特殊的意义,它是实现素质教育很重要的一个环节。科学课能够利用儿童的经验去启发儿童进行活动,从而提高儿童的独立性;能够引导儿童通过自身活动去习得科学方法和技能。科学课还向儿童传授新的经验,唤起儿童的好奇心,使他们在自我行为的基础上对现实生活有更进一步的认识。所以在针对小学科学这种具有开发性、互动性的学科上,课程资源的开发和利用理是意义重大。