一种基于改进最近邻算法的忠诚度预测方法

为了提高忠诚度预测的准确度和效率,该文将K最近邻(K nearest neighbor,KNN)算法和贝叶斯算法相结合作为分类预测策略,提出一种基于改进最近邻算法的忠诚度预测方法。该方法先将高忠诚客户和低忠诚客户当作同一忠诚度类别,即同属于忠诚客户类别,利用贝叶斯算法对数据集进行初步分类,获得非忠诚客户和忠诚客户,再将忠诚客户作为下一步KNN算法的测试数据,对其做进一步分类,得到高忠诚客户、低忠诚客户和非忠诚客户。实验结果表明,该方法不仅能够降低K值即选择多少个邻居对最近邻算法的影响,减少其内存开销,而且能够有效缩短忠诚度分类的时间以及提高忠诚度分类的准确度。

基于自适应粒子群优化的不平衡航空客户数据质量优化

航空业的竞争愈发激烈,高效且准确的客户忠诚度预测模型有利于提高企业竞争力.针对航空数据集存在严重分类不平衡、特征维度多等问题,提出了客户忠诚度预测模型.该模型基于自适应粒子群优化(APSO)算法得到多数类优化样本子集,使用卷积神经网络(CNN)提取得到的平衡数据集特征,将自动得到的特征向量作为随机森林(RF)算法的输入,构建客户忠诚度预测模型.实验结果表明,该方法预测性能优于其他预测模型,可以更好地预测客户忠诚度.