基于集成學習的數據庫營銷研究.pdf

1、數據庫營銷指企業(yè)根據數據庫中存儲的消費者信息分析和識別可能對營銷活動或產品感興趣的消費者(目標客戶)，并使用電子郵件、短信、電話等方式進行客戶深度挖掘與關系維護，或與客戶建立一對一的互動溝通關系，以便企業(yè)更好地獲取用戶偏好，確立市場定位，調整合適的產品方向和跟蹤市場管理。目前，利用數據庫營銷對用戶進行篩選分類進而進行有針對性的營銷活動已經成為很多企業(yè)提高營銷效率，降低營銷成本的重要手段。從數據挖掘的角度，我們可以將數據庫營銷中準確定位目

2、標客戶視為分類預測問題，即根據消費者的特征屬性預測其是否購買產品或購買產品的概率，因此，提高數據庫營銷模型的預測精度具有非常重要的現(xiàn)實意義和實際價值。類別不均衡是數據庫營銷過程中普遍存在的問題，其主要表現(xiàn)為某一類別的數據量遠低于其它類別的數據量。類別不均衡這一數據特性使得傳統(tǒng)的分類預測模型在實際應用過程中面臨數據匱乏，數據淹沒等現(xiàn)象，從而降低數據庫營銷的效果。目前研究主要從數據，算法和評價標準三個層面對數據庫營銷模型進行改進以提高其分類

3、預測的準確度：數據層面主要通過改變采樣方式進而改變數據集的類別分布來解決這一問題，如過采樣，欠采樣，SMOTE算法等；算法層面則通過改善算法的內部結構或相關參數來提高算法的適應性進而改善其在非平衡數據集上的表現(xiàn)，主要包括代價敏感學習，改進的SVM算法，集成學習等等；評價標準主要通過使用 F-measure，ROC曲線，命中率和升力曲線等等，這些評價方法和傳統(tǒng)的方法相比，不再單一的關注分類預測模型在數據集上整體的表現(xiàn)，因此更適合類別不均衡

4、問題的評價。在這些改進的方法中，集成學習在非平衡數據集上具有更好的分類預測能力和穩(wěn)定性，并且能夠避免過擬合問題，因此更受到該領域研究者的關注。集成學習的基本思想是使用多個基礎學習器對數據集進行學習，并對學習結果進行集成得到最終輸出。相對于單一的學習模型，集成學習具有更強的泛化能力和預測效果。
　　本文針對消費者群體的多樣性和類別不均衡性提出了基于有監(jiān)督聚類和集成學習的數據庫營銷模型，并且從單個基礎學習器的個體性能以及各基礎學習器之