《神經(jīng)網(wǎng)絡(luò)matlab》-客戶價(jià)值分析及客戶流失模型,自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)及bp網(wǎng)絡(luò)

1、實(shí)驗(yàn)報(bào)告課程名稱上機(jī)項(xiàng)目專業(yè)班級(jí)神經(jīng)網(wǎng)絡(luò)客戶價(jià)值分析及流失預(yù)測(cè)姓名學(xué)號(hào)一. 上機(jī)目的客戶價(jià)值分析和客戶流失預(yù)測(cè)是公司實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)的重要手段，對(duì)提升公司競(jìng)爭(zhēng)力發(fā)揮著關(guān)鍵作用。已知某航空公司的客戶數(shù)據(jù)(見附件“air_data.mat”和“數(shù)據(jù)說(shuō)明.txt”),試根據(jù)項(xiàng)目要求，運(yùn)用本學(xué)期所學(xué)的神經(jīng)網(wǎng)絡(luò)知識(shí)，采用 MATLAB 編程語(yǔ)言，獨(dú)立完成客戶劃分及流失預(yù)測(cè)任務(wù)，并撰寫實(shí)驗(yàn)報(bào)告。一、項(xiàng)目要求1RFM 模型是廣泛用于分析客戶價(jià)值的模型，其通過(guò) 3 個(gè)指標(biāo)（最近消費(fèi)時(shí)間間隔（Recency）、消費(fèi)頻率（Frequency）、消費(fèi)金額（Monetary）來(lái)進(jìn)行客戶細(xì)分，識(shí)別出高價(jià)值的客戶。本項(xiàng)目中

2、，根據(jù)已有數(shù)據(jù)，可選擇最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)（R = LAST_TO_END）、飛行次數(shù)（F = FLIGHT_COUNT）、觀測(cè)窗口總加權(quán)飛行公里數(shù)（M=WEIGHTED_SEG_KM）作為 RFM 模型的 3 個(gè)指標(biāo)，設(shè)計(jì)自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)，對(duì)客戶進(jìn)行劃分聚類，并解釋說(shuō)明每一類所對(duì)應(yīng)的客戶類型；【提示：plot3 命令可畫三維點(diǎn)；新版函數(shù) selforgmap 計(jì)算效率較高。】選取觀測(cè)窗口總加權(quán)飛行公里數(shù)、最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)、平均乘機(jī)時(shí)間間隔、觀察窗口內(nèi)最大乘機(jī)間隔、非乘機(jī)的積分變動(dòng)次數(shù)等屬性作為輸入特征，客戶流失標(biāo)記作為輸出類別，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，構(gòu)建客戶流失模型

3、，以便能夠預(yù)測(cè)未來(lái)客戶的流失情況。要求采用80%數(shù)據(jù)作為訓(xùn)練集，剩余20%數(shù)據(jù)作為測(cè)試集，計(jì)算并分析訓(xùn)練精度和測(cè)試精度。【如果時(shí)間允許，可選做內(nèi)容，不做硬性要求：1）從數(shù)據(jù)集中選擇不同的屬性作為輸入特征，分析特征選擇對(duì)模型精度的影響；2）處理數(shù)據(jù)標(biāo)簽不平衡問(wèn)題（即客戶流失標(biāo)簽為 0 和 1 的比例差別大的問(wèn)題），提高模型精度。】二. 上機(jī)內(nèi)容三. 上機(jī)方法與步驟Matlab程序?yàn)椋簂oad air_data.matx=air_data;plot3(x(:,3),x(:,4),x(:,5),o)set(gcf,color,w)title(選取的三個(gè)數(shù)據(jù))net=selforgmap(8 8);x

4、1=x(:,3:5);net=train(net,x1);y=net(x1);classes=vec2ind(y);hist(classes,64)set(gcf,color,w)title(聚類結(jié)果)xlabel(類別)ylabel(類別的樣本數(shù)量)net=selforgmap(1 3)load air_data.matx=air_data;訓(xùn)練net.trainParam.epochs=450; %定義最大循環(huán)次數(shù) ticnet=train(net,x);toc%計(jì)算結(jié)果y=net(x);classes = vec2ind(y);fprintf(分類結(jié)果n);disp(classes)進(jìn)行

5、畫圖x1=x(:,classes=1);x2=x(:,classes=2);x3=x(:,classes=3);figureplot(x1(1,:),x1(2,:),ko)hold onplot(x2(1,:),x2(2,:),b*)plot(x3(1,:),x3(2,:),r+)title(競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)分類)legend(第一類,第二類,第三類)客戶價(jià)值分析及流失預(yù)測(cè)清空工作空間clear,clcclose all;rng(now)M=4;定義輸入樣本N=60;strr =1,2,3,4,5,6,7,8,9,10,11,12,13,14,15 ,16,17,18,19,20,21,22,23

6、,24,25,26,27,28 ,29,30,31,32,33,34,35,36,37,38,39,40,41 ,42,43,44,45,46,47,48,49,50,51,52,53,54 ,55,56,57,58,59,60; load air_data.matx=air_data;data=x(1:60,2:5);%選取的數(shù)據(jù)為:會(huì)員級(jí)別,飛行次數(shù),觀測(cè)窗口總加權(quán)飛行公里數(shù),最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)創(chuàng)建網(wǎng)絡(luò)2*2 自組織映射網(wǎng)絡(luò)net = selforgmap(2,2);網(wǎng)絡(luò)訓(xùn)練data = mapminmax(data);ticnet = init(net);net = tr

7、ain(net, data(1,2,3,4,:);toc測(cè)試y = net(data(1,2,3,4,:);將向量表示的類別轉(zhuǎn)為標(biāo)量result = vec2ind(y);輸出結(jié)果將分類標(biāo)簽按實(shí)力排序score = zeros(1,M);for i=1:Mt = data(:, result=i);score(i) = mean(t(:);end,ind = sort(score);result_ = zeros(1,N);for i=1:Mresult_(result = ind(i) = i;endfprintf(客戶for i = 1:Nfprintf(%-8s級(jí)別（級(jí)別次數(shù)越大越重要）

8、n);第 %d 級(jí)n, strri, result_(i) ;end我將客戶分為四個(gè)類別，且所選擇的四個(gè)數(shù)據(jù)中，數(shù)值越高表示級(jí)別次數(shù)越大。第4 級(jí)：包括客戶 8,15,22,23,24,25,27,28,29,35,37,38,41,43,44,47,53,54,55,57,59。共 21 名客戶。這部分客戶的四個(gè)類型的數(shù)值都較高，故將他們劃分為第 4 級(jí)第3 級(jí):包括客戶 2,3,4,5,6,7,9,10,11,12,13,16,18,19,20,21。共 16 名客戶。這部分客戶的在會(huì)員級(jí)別,飛行次數(shù),觀測(cè)窗口總加權(quán)飛行公里數(shù)中的數(shù)值較高，但在最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)較第四級(jí)較低。故將這部分客戶劃分為第 3 級(jí)第 2 級(jí):包括客戶 1,14,17,26,30,31,32,33,34,42,50,58,60。共 13