×
尤恩鲁，卡米尔·德米尔伯克

基于贝叶斯优化的支持向量机预测信用卡客户流失。 （英文） Zbl 1489.62378号

Commun公司。工厂。科学。瑞典安克大学。A1，数学。斯达。 70，第2期，827-836（2021）.
摘要：在本研究中，我们采用了一种混合机器学习算法来预测客户信用卡流失。提出的模型是支持向量机（SVM）和贝叶斯优化（BO）。BO用于优化SVM的超参数。使用了四种不同的内核。用BO计算所用核的超参数。用四种不同的评价指标比较了所提模型的预测能力。使用的指标包括准确性、精确性、召回率和F1得分。根据每个指标，线性内核具有最高的性能。其准确度为91%。sigmoid核的性能最差，准确率为84%。

MSC公司：

62第20页 统计学在经济学中的应用
68T05型 人工智能中的学习和自适应系统

关键词：

客户流失分析;支持向量机;机器学习;超参数优化

软件：

青蒿素
PDF格式BibTeX公司 XML格式引用
\textit{K.D.ünlü}，Commun（公共）。工厂。科学。瑞典安克大学。A1，数学。Stat.70，No.2，827--836（2021；Zbl 1489.62378）
全文： 内政部

参考文献：

[1] 巴什·卢·卡布兰，F.，U nlüK.D.，《预测标准普尔500指数泡沫的两步机器学习方法》，《应用统计杂志》，（2020），第1-19页。https://doi.org/10.1080/02664763.2020.1823947网址 ·Zbl 1521.62258号
[2] 黄维、中村俊彦、王秀英，用支持向量机预测股市走势，计算机与运筹学，32（10）（2005），2513-2522。https://doi.org/10.1016/j.coll.2004.03.016 ·Zbl 1068.90077号
[3] Tay，F.E.，Cao，L.，支持向量机在金融时间序列预测中的应用，Omega，29（4）（2001），309-317。https://doi.org/10.1016/S0305-0483(01)00026-3
[4] Xie，W.、Yu，L.、Xu，S.、Wang，S.，基于支持向量机的原油价格预测新方法，国际计算科学会议，（2006）44-451。施普林格，柏林，海德堡。
[5] Lu，W.Z.，Wang，W.J.，“支持向量机”方法在预测环境空气污染物趋势中的潜力评估，《化学世界》，59（5）（2005），693-701。https://doi.org/10.1016/j.chemosphere.2004.10.032
[6] De Caigny，A.，Coussement，K.，De Bock，K.W.，Lessmann，S.，基于卷积神经网络将文本信息纳入客户流失预测模型，《国际预测杂志》，36（4）（2020），1563-1578。https://doi.org/10.1016/j.ijforecast.2019.03.029
[7] Qu，Z.，Wang，W.，Qu，N.，Liu，Y.，Lv，H.，Hu，K.，Song，J.A，电力市场环境下考虑用户流失率的售电量预测方法，电气工程与技术杂志，14（4）（2019），1585-1596。https://doi.org/10.1007/s42835-019-00215-9
[8] Nie，G.，Rowe，W.，Zhang，L.，Tian，Y.，Shi，Y.《基于逻辑回归和决策树的信用卡流失预测》。《应用专家系统》，38（12）（2011），15273-15285。https://doi.org/10.1016/j.eswa.2011.06.28
[9] Yu，X.，Goo，S.，Guo，J.，Huang，X.电子商务中客户流失的扩展支持向量机预测框架，应用专家系统，38（3）（2011），1425-1430。https://doi.org/10.1016/j.eswa.2010.07.049
[10] Andrews，R.、Zacharias，R.，Antony，S.、James，M.M.，《使用机器学习预测电信行业的客户流失》，《国际信息杂志》，8（2）（2019），https://doi.org/10.30534/ijiscs/2019/31822019
[11] Sabbeh，S.F.，《客户保留的机器学习技术：比较研究》，《国际高级计算机科学与应用杂志》，9（2）（2018年）。
[12] Pamina，J.、Raja，B.、SathyaBama，S.、Sruthi，M.S.、VJ，A.，《电信业中预测客户流失的有效分类器》，《动态与控制系统高级研究杂志》，第11期（2019年）。
[13] Vo，N.N.，Liu，S.，Li，X.，Xu，G。利用非结构化通话记录数据进行客户流失预测，基于知识的系统，212（2021），106586，https://doi.org/10.1016/j.knosys.2020.106586
[14] Lalwani，P.、Mishra，M.K.、Chadha，J.S.、Sethi，P.，《客户流失预测系统：机器学习方法》，计算机，（2021），1-24，https://doi.org/10.1007/s00607-021-00908年
[15] 庄毅，基于改进价值模型和XG-boost算法的电子商务客户流失预测研究，管理科学与工程，12（3）（2018），51-56。
[16] Cortes，C.，Vapnik，V.，支持向量网络。机器学习，20（3）（1995），273-297·兹比尔08316.8098
[17] Snoek，J.，Larochelle，H.，Adams，R.P.，机器学习算法的实用贝叶斯优化。arXiv预印本，（2012），arXiv:1206.2944·Zbl 1433.68379号
[18] Injadat，M.，Salo，F.，Nassif，A.B.，Essex，A.，Shami，A.，贝叶斯优化，机器学习算法用于异常检测。IEEE全球通信会议，（2018），1-6。
[19] Yang，L.，Shami，A.《机器学习算法的超参数优化：理论与实践》，神经计算，415（2020），295-316。https://doi.org/10.1016/j.neucom.2020.07.061
[20] 卡格尔https://www.kaggle.com/sakshigoyal7/信用卡客户，已加入：2021年1月3日。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。