基于集成學習的數(shù)據(jù)庫營銷研究.pdf

1、數(shù)據(jù)庫營銷指企業(yè)根據(jù)數(shù)據(jù)庫中存儲的消費者信息分析和識別可能對營銷活動或產(chǎn)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(diào)整合適的產(chǎn)品方向和跟蹤市場管理。目前，利用數(shù)據(jù)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(jīng)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(shù)據(jù)挖掘的角度，我們可以將數(shù)據(jù)庫營銷中準確定位目

2、標客戶視為分類預測問題，即根據(jù)消費者的特征屬性預測其是否購買產(chǎn)品或購買產(chǎn)品的概率，因此，提高數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)量遠低于其它類別的數(shù)據(jù)量。類別不均衡這一數(shù)據(jù)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(shù)據(jù)匱乏，數(shù)據(jù)淹沒等現(xiàn)象，從而降低數(shù)據(jù)庫營銷的效果。目前研究主要從數(shù)據(jù)，算法和評價標準三個層面對數(shù)據(jù)庫營銷模型進行改進以提高其分類

3、預測的準確度：數(shù)據(jù)層面主要通過改變采樣方式進而改變數(shù)據(jù)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(nèi)部結構或相關參數(shù)來提高算法的適應性進而改善其在非平衡數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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