大數據處理方法與電信客戶價值管理

定　價：￥69.00

作　者：	鄧維斌著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網絡數據倉庫與數據挖掘數據庫

購買這本書可以去

ISBN：	9787121394560	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數：	212	字數：

內容簡介

　　近年來，大數據已在公共管理、醫(yī)療衛(wèi)生、金融與商務等領域得到了廣泛應用。如何對海量和高速增長的數據進行有效處理以及如何針對不同領域特點有效應用大數據，倍受廣大科研工作者的廣泛關注。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(huán)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(yè)的應用提供了參考。

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(fā)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(fā)展委、渝中區(qū)、巴南區(qū)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(tǒng)工程理論與實踐》等SCI、權威期刊等發(fā)表研究論文50余篇；在科學出版社、電子工業(yè)出版社等出版專著和教材7部。

圖書目錄

目錄
第1章大數據處理概述\t1
1．1 大數據的定義\t1
1．2 大數據帶來的挑戰(zhàn)與機遇\t3
1．3 大數據研究的現狀\t5
1．3．1 大數據處理平臺\t5
1．3．2 大數據處理算法\t6
1．3．3 大數據應用研究\t9
1．4 大數據研究的挑戰(zhàn)與趨勢\t10
1．5 本章小結\t11
參考文獻\t12
第2章 Spark點排序識別聚類結構算法\t19
2．1 引言\t19
2．2 點排序識別聚類結構算法\t21
2．3 Spark并行內存計算框架\t23
2．4 基于Spark的OPTICS算法\t25
2．5 仿真實驗與結果分析\t27
2．5．1 度量標準\t27
2．5．2 數據集與運行環(huán)境\t28
2．5．3 實驗方法\t29
2．5．4 實驗結果與分析\t29
2．6 本章小結\t32
參考文獻\t33
第3章 Spark標簽校準排序多標簽算法\t35
3．1 引言\t35
3．2 校準標簽排序算法與并行化研究\t36
3．2．1 校準標簽排序算法介紹\t36
3．2．2 校準標簽排序算法研究現狀\t37
3．3 樸素貝葉斯校準標簽排序方法\t37
3．3．1 樸素貝葉斯概率模型\t37
3．3．2 樸素貝葉斯校準標簽排序算法\t38
3．3．3 仿真實驗與結果分析\t40
3．4 樸素貝葉斯校準標簽排序方法的并行化研究\t44
3．4．1 Spark并行化內存計算\t44
3．4．2 樸素貝葉斯校準標簽排序算法的并行化研究\t45
3．4．3 仿真實驗與結果分析\t47
3．5 本章小結\t51
參考文獻\t52
第4章不平衡數據的樣本權重欠采樣方法\t54
4．1 引言\t54
4．2 不平衡數據處理的相關方法\t55
4．2．1 K-means聚類算法\t55
4．2．2 AdaCost算法\t56
4．2．3 Bagging算法\t58
4．3 基于樣本權重的欠采樣方法\t59
4．3．1 樣本權重的確定\t59
4．3．2 分類器加權投票\t60
4．4 仿真實驗與結果分析\t61
4．4．1 分類的評價方法\t61
4．4．2 非參數統(tǒng)計檢驗方法\t62
4．4．3 UCI數據集檢驗\t63
4．5 本章小結\t67
參考文獻\t68
第5章不平衡數據的三支決策過采樣算法\t70
5．1 引言\t70
5．2 三支決策粗糙集\t71
5．2．1 鄰域模型\t71
5．2．2 鄰域三支決策模型\t71
5．3 不平衡數據的三支決策過采樣算法\t74
5．3．1 算法思路\t74
5．3．2 算法描述與分析\t76
5．4 仿真實驗與結果分析\t77
5．4．1 數據集選擇\t77
5．4．2 實驗方法\t78
5．4．3 實驗結果分析\t79
5．5 本章小結\t84
參考文獻\t84
第6章三支決策主動學習方法\t87
6．1 引言\t87
6．2 主動學習理論\t88
6．2．1 主動學習工作機制\t88
6．2．2 主動學習方法的分類\t88
6．3 三支決策主動學習\t89
6．3．1 對冗余信息的刪減\t89
6．3．2 對無標簽樣本的區(qū)域劃分\t90
6．3．3 對不同區(qū)域樣本的處理\t91
6．3．4 算法描述\t92
6．4 仿真實驗與結果分析\t95
6．4．1 數據集選擇\t95
6．4．2 實驗方法\t95
6．4．3 實驗結果分析\t96
6．5 本章小結\t100
參考文獻\t100
第7章鄰域粗糙集主動學習方法\t104
7．1 引言\t104
7．2 鄰域粗糙集基本理論\t104
7．3 鄰域粗糙集主動學習算法\t106
7．3．1 算法思路\t106
7．3．2 算法描述\t109
7．4 仿真實驗與結果分析\t110
7．4．1 數據集與實驗方法\t110
7．4．2 結果與分析\t111
7．5 本章小結\t117
參考文獻\t118
第8章決策熵增量學習方法\t120
8．1 引言\t120
8．2 粗糙集的基本概念\t121
8．3 決策熵增量知識獲取算法\t123
8．3．1 算法復雜度分析\t126
8．3．2 實例分析\t126
8．4 仿真實驗與結果分析\t128
8．4．1 UCI數據集測試\t128
8．4．2 KDDCUP99數據集測試\t130
8．4．3 KDDCUP99數據集連續(xù)增量測試\t130
8．5 本章小結\t131
參考文獻\t131
第9章 MapReduce并行增量FP-Growth算法\t133
9．1 引言\t133
9．2 MapReduce編程模型與Hadoop平臺\t135
9．2．1 MapReduce編程模型\t135
9．2．1 Hadoop平臺介紹\t136
9．3 MapReduce增量FP-Growth算法\t138
9．3．1 增量學習\t138
9．3．2 FP-Growth算法\t139
9．3．3 MapReduce并行FP-Growth算法\t140
9．3．4 MapReduce并行增量FP-Growth算法\t141
9．4 仿真實驗與結果分析\t143
9．4．1 MapReduce并行增量FP-Growth算法單機效率測試\t143
9．4．2 MapReduce并行增量FP-Growth算法集群效率測試\t143
9．4．3 Mapreduce并行增量FP-Growth算法性能測試\t146
9．5 本章小結\t149
參考文獻\t149
第10章電信客戶價值評價\t151
10．1 引言\t151
10．2 客戶價值與評價\t152
10．2．1 客戶價值的概念\t152
10．2．2 電信客戶價值與評價\t153
10．3 優(yōu)勢關系粗糙集的基本概念\t155
10．4 領域及數據驅動的數據挖掘模型\t156
10．4．1 數據驅動的數據挖掘\t156
10．4．2 領域驅動的數據挖掘\t157
10．4．3 面向領域的數據驅動的數據挖掘\t158
10．5 領域及數據驅動的電信客戶價值評價方法\t159
10．5．1 電信客戶價值評價的特征提取\t159
10．5．2 電信客戶價值評價流程\t161
10．5．3 電信客戶價值評價算法\t162
10．6 仿真實驗\t163
10．6．1 算法效果驗證\t163
10．6．2 算法應用\t165
10．7 本章小結\t167
參考文獻\t167
第11章電信客戶換機預測\t171
11．1 引言\t171
11．2 優(yōu)勢關系粗糙集換機預測方法\t172
11．2．1 算法描述\t172
11．2．2 仿真實驗\t174
11．3 數據驅動的電信客戶換機預測方法\t179
11．3．1 手機客戶特征提取\t179
11．3．2 算法描述\t180
11．3．3 仿真實驗\t182
11．4 本章小結\t185
參考文獻\t186
第12章電信客戶流失預測\t188
12．1 引言\t188
12．2 C4．5決策樹及其改進算法\t189
12．2．1 C4．5決策樹\t189
12．2．2 改進C4．5決策樹算法\t190
12．3 改進C4．5決策樹不平衡數據抽樣方法\t191
12．3．1 算法思路\t191
12．3．2 算法描述\t192
12．4 實驗與結果分析\t193
12．4．1 電信客戶流失預測流程\t194
12．4．2 實驗數據選擇\t195
12．2．3 實驗結果與分析\t196
12．5 本章小結\t198
參考文獻\t198