掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
大數據處理方法與電信客戶價值管理 版權信息
- ISBN：9787121394560
- 條形碼：9787121394560 ; 978-7-121-39456-0
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據處理方法與電信客戶價值管理 內容簡介
本書集結了作者近年來在大數據及其應用領域的研究成果, 針對大數據高效處理問題, 從點排序識別聚類、多標簽排序、不平衡數據采樣、主動學習、增量學習等方面研究并設計了相關算法。在此基礎上, 對大數據環境下電信客戶價值評價、客戶換機預測和客戶流失預測等問題, 設計了相關算法、流程和仿真實驗, 并提出了一些合理化的建議, 為大數據分析與在相關行業的應用提供了參考。
大數據處理方法與電信客戶價值管理 目錄
目 錄
第1章 大數據處理概述 1
1．1 大數據的定義 1
1．2 大數據帶來的挑戰與機遇 3
1．3 大數據研究的現狀 5
1．3．1 大數據處理平臺 5
1．3．2 大數據處理算法 6
1．3．3 大數據應用研究 9
1．4 大數據研究的挑戰與趨勢 10
1．5 本章小結 11
參考文獻 12
第2章 Spark點排序識別聚類結構算法 19
2．1 引言 19
2．2 點排序識別聚類結構算法 21
2．3 Spark并行內存計算框架 23
2．4 基于Spark的OPTICS算法 25
2．5 仿真實驗與結果分析 27
2．5．1 度量標準 27
2．5．2 數據集與運行環境 28
2．5．3 實驗方法 29
2．5．4 實驗結果與分析 29
2．6 本章小結 32
參考文獻 33
第3章 Spark標簽校準排序多標簽算法 35
3．1 引言 35
3．2 校準標簽排序算法與并行化研究 36
3．2．1 校準標簽排序算法介紹 36
3．2．2 校準標簽排序算法研究現狀 37
3．3 樸素貝葉斯校準標簽排序方法 37
3．3．1 樸素貝葉斯概率模型 37
3．3．2 樸素貝葉斯校準標簽排序算法 38
3．3．3 仿真實驗與結果分析 40
3．4 樸素貝葉斯校準標簽排序方法的并行化研究 44
3．4．1 Spark并行化內存計算 44
3．4．2 樸素貝葉斯校準標簽排序算法的并行化研究 45
3．4．3 仿真實驗與結果分析 47
3．5 本章小結 51
參考文獻 52
第4章 不平衡數據的樣本權重欠采樣方法 54
4．1 引言 54
4．2 不平衡數據處理的相關方法 55
4．2．1 K-means聚類算法 55
4．2．2 AdaCost算法 56
4．2．3 Bagging算法 58
4．3 基于樣本權重的欠采樣方法 59
4．3．1 樣本權重的確定 59
4．3．2 分類器加權投票 60
4．4 仿真實驗與結果分析 61
4．4．1 分類的評價方法 61
4．4．2 非參數統計檢驗方法 62
4．4．3 UCI數據集檢驗 63
4．5 本章小結 67
參考文獻 68
第5章 不平衡數據的三支決策過采樣算法 70
5．1 引言 70
5．2 三支決策粗糙集 71
5．2．1 鄰域模型 71
5．2．2 鄰域三支決策模型 71
5．3 不平衡數據的三支決策過采樣算法 74
5．3．1 算法思路 74
5．3．2 算法描述與分析 76
5．4 仿真實驗與結果分析 77
5．4．1 數據集選擇 77
5．4．2 實驗方法 78
5．4．3 實驗結果分析 79
5．5 本章小結 84
參考文獻 84
第6章 三支決策主動學習方法 87
6．1 引言 87
6．2 主動學習理論 88
6．2．1 主動學習工作機制 88
6．2．2 主動學習方法的分類 88
6．3 三支決策主動學習 89
6．3．1 對冗余信息的刪減 89
6．3．2 對無標簽樣本的區域劃分 90
6．3．3 對不同區域樣本的處理 91
6．3．4 算法描述 92
6．4 仿真實驗與結果分析 95
6．4．1 數據集選擇 95
6．4．2 實驗方法 95
6．4．3 實驗結果分析 96
6．5 本章小結 100
參考文獻 100
第7章 鄰域粗糙集主動學習方法 104
7．1 引言 104
7．2 鄰域粗糙集基本理論 104
7．3 鄰域粗糙集主動學習算法 106
7．3．1 算法思路 106
7．3．2 算法描述 109
7．4 仿真實驗與結果分析 110
7．4．1 數據集與實驗方法 110
7．4．2 結果與分析 111
7．5 本章小結 117
參考文獻 118
第8章 決策熵增量學習方法 120
8．1 引言 120
8．2 粗糙集的基本概念 121
8．3 決策熵增量知識獲取算法 123
8．3．1 算法復雜度分析 126
8．3．2 實例分析 126
8．4 仿真實驗與結果分析 128
8．4．1 UCI數據集測試 128
8．4．2 KDDCUP99數據集測試 130
8．4．3 KDDCUP99數據集連續增量測試 130
8．5 本章小結 131
參考文獻 131
第9章 MapReduce并行增量FP-Growth算法 133
9．1 引言 133
9．2 MapReduce編程模型與Hadoop平臺 135
9．2．1 MapReduce編程模型 135
9．2．1 Hadoop平臺介紹 136
9．3 MapReduce增量FP-Growth算法 138
9．3．1 增量學習 138
9．3．2 FP-Growth算法 139
9．3．3 MapReduce并行FP-Growth算法 140
9．3．4 MapReduce并行增量FP-Growth算法 141
9．4 仿真實驗與結果分析 143
9．4．1 MapReduce并行增量FP-Growth算法單機效率測試 143
9．4．2 MapReduce并行增量FP-Growth算法集群效率測試 143
9．4．3 Mapreduce并行增量FP-Growth算法性能測試 146
9．5 本章小結 149
參考文獻 149
第10章 電信客戶價值評價 151
10．1 引言 151
10．2 客戶價值與評價 152
10．2．1 客戶價值的概念 152
10．2．2 電信客戶價值與評價 153
10．3 優勢關系粗糙集的基本概念 155
10．4 領域及數據驅動的數據挖掘模型 156
10．4．1 數據驅動的數據挖掘 156
10．4．2 領域驅動的數據挖掘 157
10．4．3 面向領域的數據驅動的數據挖掘 158
10．5 領域及數據驅動的電信客戶價值評價方法 159
10．5．1 電信客戶價值評價的特征提取 159
10．5．2 電信客戶價值評價流程 161
10．5．3 電信客戶價值評價算法 162
10．6 仿真實驗 163
10．6．1 算法效果驗證 163
10．6．2 算法應用 165
10．7 本章小結 167
參考文獻 167
第11章 電信客戶換機預測 171
11．1 引言 171
11．2 優勢關系粗糙集換機預測方法 172
11．2．1 算法描述 172
11．2．2 仿真實驗 174
11．3 數據驅動的電信客戶換機預測方法 179
11．3．1 手機客戶特征提取 179
11．3．2 算法描述 180
11．3．3 仿真實驗 182
11．4 本章小結 185
參考文獻 186
第12章 電信客戶流失預測 188
12．1 引言 188
12．2 C4．5決策樹及其改進算法 189
12．2．1 C4．5決策樹 189
12．2．2 改進C4．5決策樹算法 190
12．3 改進C4．5決策樹不平衡數據抽樣方法 191
12．3．1 算法思路 191
12．3．2 算法描述 192
12．4 實驗與結果分析 193
12．4．1 電信客戶流失預測流程 194
12．4．2 實驗數據選擇 195
12．2．3 實驗結果與分析 196
12．5 本章小結 198
參考文獻 198
第1章 大數據處理概述 1
1．1 大數據的定義 1
1．2 大數據帶來的挑戰與機遇 3
1．3 大數據研究的現狀 5
1．3．1 大數據處理平臺 5
1．3．2 大數據處理算法 6
1．3．3 大數據應用研究 9
1．4 大數據研究的挑戰與趨勢 10
1．5 本章小結 11
參考文獻 12
第2章 Spark點排序識別聚類結構算法 19
2．1 引言 19
2．2 點排序識別聚類結構算法 21
2．3 Spark并行內存計算框架 23
2．4 基于Spark的OPTICS算法 25
2．5 仿真實驗與結果分析 27
2．5．1 度量標準 27
2．5．2 數據集與運行環境 28
2．5．3 實驗方法 29
2．5．4 實驗結果與分析 29
2．6 本章小結 32
參考文獻 33
第3章 Spark標簽校準排序多標簽算法 35
3．1 引言 35
3．2 校準標簽排序算法與并行化研究 36
3．2．1 校準標簽排序算法介紹 36
3．2．2 校準標簽排序算法研究現狀 37
3．3 樸素貝葉斯校準標簽排序方法 37
3．3．1 樸素貝葉斯概率模型 37
3．3．2 樸素貝葉斯校準標簽排序算法 38
3．3．3 仿真實驗與結果分析 40
3．4 樸素貝葉斯校準標簽排序方法的并行化研究 44
3．4．1 Spark并行化內存計算 44
3．4．2 樸素貝葉斯校準標簽排序算法的并行化研究 45
3．4．3 仿真實驗與結果分析 47
3．5 本章小結 51
參考文獻 52
第4章 不平衡數據的樣本權重欠采樣方法 54
4．1 引言 54
4．2 不平衡數據處理的相關方法 55
4．2．1 K-means聚類算法 55
4．2．2 AdaCost算法 56
4．2．3 Bagging算法 58
4．3 基于樣本權重的欠采樣方法 59
4．3．1 樣本權重的確定 59
4．3．2 分類器加權投票 60
4．4 仿真實驗與結果分析 61
4．4．1 分類的評價方法 61
4．4．2 非參數統計檢驗方法 62
4．4．3 UCI數據集檢驗 63
4．5 本章小結 67
參考文獻 68
第5章 不平衡數據的三支決策過采樣算法 70
5．1 引言 70
5．2 三支決策粗糙集 71
5．2．1 鄰域模型 71
5．2．2 鄰域三支決策模型 71
5．3 不平衡數據的三支決策過采樣算法 74
5．3．1 算法思路 74
5．3．2 算法描述與分析 76
5．4 仿真實驗與結果分析 77
5．4．1 數據集選擇 77
5．4．2 實驗方法 78
5．4．3 實驗結果分析 79
5．5 本章小結 84
參考文獻 84
第6章 三支決策主動學習方法 87
6．1 引言 87
6．2 主動學習理論 88
6．2．1 主動學習工作機制 88
6．2．2 主動學習方法的分類 88
6．3 三支決策主動學習 89
6．3．1 對冗余信息的刪減 89
6．3．2 對無標簽樣本的區域劃分 90
6．3．3 對不同區域樣本的處理 91
6．3．4 算法描述 92
6．4 仿真實驗與結果分析 95
6．4．1 數據集選擇 95
6．4．2 實驗方法 95
6．4．3 實驗結果分析 96
6．5 本章小結 100
參考文獻 100
第7章 鄰域粗糙集主動學習方法 104
7．1 引言 104
7．2 鄰域粗糙集基本理論 104
7．3 鄰域粗糙集主動學習算法 106
7．3．1 算法思路 106
7．3．2 算法描述 109
7．4 仿真實驗與結果分析 110
7．4．1 數據集與實驗方法 110
7．4．2 結果與分析 111
7．5 本章小結 117
參考文獻 118
第8章 決策熵增量學習方法 120
8．1 引言 120
8．2 粗糙集的基本概念 121
8．3 決策熵增量知識獲取算法 123
8．3．1 算法復雜度分析 126
8．3．2 實例分析 126
8．4 仿真實驗與結果分析 128
8．4．1 UCI數據集測試 128
8．4．2 KDDCUP99數據集測試 130
8．4．3 KDDCUP99數據集連續增量測試 130
8．5 本章小結 131
參考文獻 131
第9章 MapReduce并行增量FP-Growth算法 133
9．1 引言 133
9．2 MapReduce編程模型與Hadoop平臺 135
9．2．1 MapReduce編程模型 135
9．2．1 Hadoop平臺介紹 136
9．3 MapReduce增量FP-Growth算法 138
9．3．1 增量學習 138
9．3．2 FP-Growth算法 139
9．3．3 MapReduce并行FP-Growth算法 140
9．3．4 MapReduce并行增量FP-Growth算法 141
9．4 仿真實驗與結果分析 143
9．4．1 MapReduce并行增量FP-Growth算法單機效率測試 143
9．4．2 MapReduce并行增量FP-Growth算法集群效率測試 143
9．4．3 Mapreduce并行增量FP-Growth算法性能測試 146
9．5 本章小結 149
參考文獻 149
第10章 電信客戶價值評價 151
10．1 引言 151
10．2 客戶價值與評價 152
10．2．1 客戶價值的概念 152
10．2．2 電信客戶價值與評價 153
10．3 優勢關系粗糙集的基本概念 155
10．4 領域及數據驅動的數據挖掘模型 156
10．4．1 數據驅動的數據挖掘 156
10．4．2 領域驅動的數據挖掘 157
10．4．3 面向領域的數據驅動的數據挖掘 158
10．5 領域及數據驅動的電信客戶價值評價方法 159
10．5．1 電信客戶價值評價的特征提取 159
10．5．2 電信客戶價值評價流程 161
10．5．3 電信客戶價值評價算法 162
10．6 仿真實驗 163
10．6．1 算法效果驗證 163
10．6．2 算法應用 165
10．7 本章小結 167
參考文獻 167
第11章 電信客戶換機預測 171
11．1 引言 171
11．2 優勢關系粗糙集換機預測方法 172
11．2．1 算法描述 172
11．2．2 仿真實驗 174
11．3 數據驅動的電信客戶換機預測方法 179
11．3．1 手機客戶特征提取 179
11．3．2 算法描述 180
11．3．3 仿真實驗 182
11．4 本章小結 185
參考文獻 186
第12章 電信客戶流失預測 188
12．1 引言 188
12．2 C4．5決策樹及其改進算法 189
12．2．1 C4．5決策樹 189
12．2．2 改進C4．5決策樹算法 190
12．3 改進C4．5決策樹不平衡數據抽樣方法 191
12．3．1 算法思路 191
12．3．2 算法描述 192
12．4 實驗與結果分析 193
12．4．1 電信客戶流失預測流程 194
12．4．2 實驗數據選擇 195
12．2．3 實驗結果與分析 196
12．5 本章小結 198
參考文獻 198
展開全部
大數據處理方法與電信客戶價值管理 作者簡介
鄧維斌：男，1978年生，中共黨員，博士，教授，碩士生導師，交通部交通運輸青年科技英才，Queensland University of Technology、Poznan University of Technology訪問學者。現任重慶郵電大學郵政研究院副院長，重慶市人工智能學會理事，國際粗糙集學會（IRSS）會員。主要從事大數據分析、不確定性決策、現代物流與快遞服務等方面的研究。近年來主持和參與了包括國家重點研發計劃、國家自然科學基金和社會科會基金等項目10余項，承擔和參與了國家郵政管理局、重慶市發展委、渝中區、巴南區等委托的各類橫向合作課題20余項；在Fundamenta Informaticae、《計算機學報》《系統工程理論與實踐》等SCI、權威期刊等發表研究論文50余篇；在科學出版社、電子工業出版社等出版專著和教材7部。
書友推薦
- >
詩經-先民的歌唱
- >
月亮虎
- >
中國歷史的瞬間
- >
【精裝繪本】畫給孩子的中國神話
- >
李白與唐代文化
- >
我與地壇
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
本類暢銷
