C4．5算法在客户关系管理中的应用研究

通过数据挖掘技术可以挖掘出隐藏在大量数据背后的信息,企业才能对客户进行细分,预测客户行为和做出正确的决策．文章在数据挖掘常用技术的基础上,提出了其在CRM中的应用模型,并基于C4．5算法,对数据挖掘在客户获取中的应用进行了实证分析．     

一种基于离散度的决策树改进算法

在数据挖掘中，决策树方法是一个重点研究方向．很多学者从不同角度对ID3算法进行改进和优化，提高了分类的效率和速度．本文从离散度的角度，对ID3算法进行改进．实验表明，利用改进后的算法挖掘分类规则，不仅提高了分类的正确率，而且非常高效．     

基于数据挖掘的客户分类应用研究

随着电信市场竞争的不断加剧,电信企业传统的营销模式正在向主动营销和精确营销转变,因此客户分类显得至关重要。本文讨论基于数据挖掘的客户细分方法,提出了套电信行业客户分类的数据挖掘技术应用解决方案,并对电信公司小灵通客户进行了应用分析。     

结合K-means的分类方法在电信客户流失中的应用

通过对电信业客户流失预测的国内外研究成果的分析,我们发现造成电信业客户流失原因种类比较多、难以用一种通用的划分标准对流失客户的流失特征进行刻画,因此本文提出了将K-means算法与传统的分类算法相结合的方法进行客户流失分析,并进行了应用实验.该实验以中国联通湖南某地区X分公司的客户数据为基础,利用数据挖掘软件Clementine8.1建立了客户流失分类预测模型,模型的应用结果表明:新方法对客户流失预测的命中率高于传统的分类预测算法.     

数据挖掘技术在CRM中的应用研究

在电子商务这种经济模式下,客户关系管理（CRM）日益受到企业的重视,客户分类是分析型客户关系管理的重要功能之一,利用数据挖掘技术可以从大量的、不确定的客户信息中挖掘出有价值的信息,为企业决策提供依据。通过探讨客户关系管理理论和数据挖掘技术．提供了数据挖掘技术在电子商务客户关系管理中的应用方法。     

基于数据挖掘技术的CRM系统中客户行为

为了解决在企业中实施客户关系管理（CRM），CRM系统中客户行为的定量研究问题，利用决策树的数据挖掘相关技术和方法，提出了UPTree数据挖掘算法，并采用UPTree算法对隐藏在大量客户行为中的信息进行挖掘，从而获取了CRM系统中潜在的客户行为规则，并给出这些行为规则的IF-THEN的描述形式，为企业的科学决策提供依据。     

基于数据挖掘技术的核心客户的识别

在RFM模型的基础上,根据具体行业的特点,提出了客户重要度测量模型,并且利用数据挖掘技术——决策树算法进行核心客户的特征提取,最后就某一企业的实际情况进行实证研究,为企业进行一对一营销或客户服务提供支持.     

决策树算法在医学图像数据挖掘中的应用

目的研究决策树算法在医学图像数据挖掘中的应用。方法利用决策树算法对乳腺癌图像数据进行分类，提出了一个基于决策树算法的医学图像分类器。结果实现了ID3和C4．5算法对图像数据的分类，获得了分类的实验结果。结论该模型系统达到了较高的分类准确率，证明数据挖掘在辅助医疗诊断中有着广泛的应用前景。     

基于3DM的B2C客户分类算法

任何高效的客户关系管理都是以扎实的客户分类为基础,然而电子商务中所搜集到的客户信息往往具有海量、高维度和不完备等特点,传统的客户分类方法很难适合B2C客户数据的分类.研究表明,数据挖掘的实质是知识在不同形态下的转换过程,面向领域的数据驱动的数据挖掘理论(3DM)能将领域知识、先验知识和数据本身的特点有机结合.以电子商务B2C客户数据为例,设计了基于3DM的客户分类算法,通过实例表明,该算法能较好地解决B2C客户数据的分类问题.     

基于3DM的B2C客户分类算法

任何高效的客户关系管理都是以扎实的客户分类为基础,然而电子商务中所搜集到的客户信息往往具有海量、高维度和不完备等特点,传统的客户分类方法很难适合B2C客户数据的分类。研究表明,数据挖掘的实质是知识在不同形态下的转换过程,面向领域的数据驱动的数据挖掘理论(3DM)能将领域知识、先验知识和数据本身的特点有机结合。以电子商务B2C客户数据为例,设计了基于3DM的客户分类算法,通过实例表明,该算法能较好地解决B2C客户数据的分类问题。     

一种分类挖掘算法及其应用

提出一种增量式混合型分类挖掘算法,将基于概率论的符号学习与神经网络学习相结合,能够对既包含离散属性又包含连续属性的多个概念进行有效的分类处理,且具有较强的增量挖掘能力。该算法在法院决策支持系统中得到了运用,取得了较好的效果。     

决策树挖掘技术在手术诊断上的应用研究

在解决分类问题的各种方法中,决策树是比较常用的一种方法。基于决策树理论,在 ID3算法基础上提出基于悲观错误剪枝的后剪枝算法,并将其运用于医疗系统手术诊断的数据挖掘分析过程中,所得实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果。     

基于PL/SQL的粗糙集分类算法研究

为改进数据分类的效果，基于粗糙集理论实现数据分类和规则推理的基本原理，利用粗糙集理论中核及决策类覆盖的思想，提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系，简化带有不相容规则的决策系统的数据挖掘算法。通过PL／SQL演示了挖掘分类规则的过程，结果表明基于粗糙集分类算法的有效性。     

一种基于粒子群算法的多重决策树分类器融合方法

针对数据挖掘中的分类问题,根据多分类器融合的思想,提出一种基于粒子群优化算法的多重决策树分类器融合方法。先将概率度量水平的多重决策树进行线性组合,然后在融合算法中采用粒子群算法优化连接权值矩阵。并在UCI标准数据集上对模型进行了实验研究。结果表明该融合分类方法比单个决策树分类方法具有更高的分类精度。     

基于Rough集的决策树算法

针对基于Rough集的经典分类算法值约简算法等不适合大数据集的问题，提出了基于Rough集的决策树算法。采用一个新的选择属性的测度——属性分类粗糙度作为选择属性的启发式，该测度较Rough中刻画属性相关性的测度正区域等更为全面地刻画了属性分类综合贡献能力，并且比信息增益和信息增益率的计算更为简单。采取了一种新的剪枝方法——预剪枝，即在选择属性计算前基于变精度正区域修正属性对数据的初始划分模式，以更有效地消除噪音数据对选择属性和生成叶节点的影响．采取了一种与决策树算法高度融合的简单有效的检测和处理不相容数据的方法，从而使算法对相容和不相容数据都能进行有效处理。对UCI机器学习数据库中几个数据集的挖掘结果表明，该算法生成的决策树较ID3算法小，与用信息增益率作为启发式的决策树算法生成的决策树规模相当。算法生成所有叶节点均满足给定最小置信度和支持度的决策树或分类规则，并易于利用数据库技术实现，适合大数据集。     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

C4．5算法在高校学生心理教育方面的应用研究

研究了数据挖掘技术的概念、过程、方法和技术等内容,详细地介绍了决策树技术在学生心理问题数据挖掘中的全过程,采用C4．5算法生成了学生心理问题的决策树模型,并由此产生了分类规则,为高校心理咨询工作提供了一些有用的参考依据。实验’结果表明,该方法对高校构建预防型大学生心理健康教育模式具有一定的实用价值。     

关联规则在营销决策支持系统中的应用

关联规则的研究是近几年研究较多的数据挖掘方法,在数据挖掘的各种方法中应用也最为广泛。在生产性企业的营销决策支持系统中应用关联规则挖掘数据,通过优化原有的算法可以提高算法效率,有效地得出有价值的规则,从而有力地支持了营销管理者的决策。     

粗糙逼近近似度量在分类规则挖掘中的应用

为了提高决策系统的分类质量,探讨了一种在数据仓库中基于粗糙逼近近似度量的挖掘分类规则策略.首先介绍了数据集中挖掘分类规则的基本原理,并利用粗糙集理论中粗糙逼近近似度量概念,根据决策表条件属性重要性度量及条件属性对决策类划分的逼近近似度量,提出了基于改进粗糙逼近近似度量的数据挖掘进行属性约减方法,最后举例说明了如何在数据库中发现分类规则.实验结果表明此方法挖掘出的规则简练且合理可靠.