基于bp神经网络的客户特征属性约简

《基于bp神经网络的客户特征属性约简》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于BP神经网络的客户特征属性约简：针对数据收集中的海量数据，该文提出了一种基于BP神经X络的属性约简。通过神经X络计算分析原始数据中的各属性权值，从原始数据的众多属性中提炼出与客户流失度相关性较大的属性，找出对最终结果有关联的变量，删除那些不相关或不重要的属性，从而提高模型的效率和准确率。　　关键词：客户；神经X络；属性约简；数据挖掘。　　：TP183：A：1009-3044(2011)11-2640-02　　1特征属性约简的意义　　在数据挖掘中，我们要面对海量的原始数据，在这些数据中，并不是所有的信息都是有用的，如何在其

2、中找到最关键最有用的属性，从而提高模型的效率和准确率，是我们研究的一个重点。把源表的信息原封不动的汇总起来没有太大意义，必须关注用户某些关键指标的波动情况。如在电信用户的挖掘中我们要关注：用户本月话费与往月话费相比是上升还是下降了，幅度有多大？用户通话时长怎样变化？当月的短信费用占总体费用的比例是多少等等。这些衍生的分析信息是数据挖掘不可缺少的输入变量，那么与用户有关的特征就变得更多了。大致有如下几个方面：客户个人属性(包括客户ID、性别、年龄、职业、是否离X、收入等)，客户合同属性(包括入X时长、付费类型、入X渠道、资费标

3、识、消费限额等级等)，客户缴费属性(包括缴费方式、欠费次数、当月金额、当月欠费金额、连续三个月平均消费额、最近三个月消费情况等)，客户通话及短信属性(包括通话时长、通话次数、长途次数比例、拨打客服次数等等)。　　客户属性如此之多，而且很多属性还需要进一步细化，因此将所有属性都应用于挖掘模型中是不现实的。属性约简是数据挖掘的一个关键步骤，在数据收集阶段，很难确切知道哪些属性是相关的，哪些属性是不重要的，所有的属性都被认为是有用的，全部存在数据库。实际上，数据库中的属性并不是同等重要，有些甚至是冗余的，而且对于特定的数据挖掘任务

4、，用户往往只对属性的某个子集感兴趣。因此要对众多属性进行约简，即在尽量保持数据库分类能力不变的条件下，删除那些不相关或不重要的属性。本文就是利用神经X络的属性约简方法对客户属性进行有效的选择，提高挖掘的效率。　　2BP神经X络　　神经X络(NeuralNet层的神经X络，Xi为输入层样本，Uik为第k层的i神经元输入总和，Xik为输出；Wij为从第k-1层的第j个神经元到第k层的第i个神经元的权系数，f为各个神经元激发函数，则各变量关系可用下面数学式表示：　　人工神经X络具有以下特点：　　1)具有高速信息处理的能力；　　2)

5、神经X络的知识存储容量大；　　3)具有很强的不确定性信息；　　4)具有很强的健壮性；　　5)一种具有高度非线性的系统。　　BP神经X络适合模拟直感思维，它具有的并行处理、自适应性、容错性和强大的学习能力等特性，都是决策树所需要的；决策树则适用于模拟逻辑思维，它具有的易于分析推理、较强的知识表达能力、导出的规则容易理解等能与神经X络互补。通过神经X络不断的学习调整形成的X络结构，可以去掉冗余信息，从而简化数据的属性维度。客户流失模型的构造如下所示，它包括神经X络特征简约部分以决策树算法对流失客户的划分部分。　　在图1中，神经X

6、络部分包括：学习规则的选取、神经X络结构的确定、各种参数的选择，将提取的客户数据作为原始数据输入神经X络，逐步调整客户数据各属性权值大小进行学习。按属性对分类的相关度进行简约。　　3BPX络的学习过程及算法　　BPX络是应用较为广泛的神经X络，它采用有教师的学习规则，算法核心是一边向后传播误差，一边修正误差来不断调节权值，采用两趟传播对每个学习过程进行计算，以实现或逼近得到期望输出。输入信号经过输入层和隐含层，在输出端产生输出信号称为工作信号正向传播。X络权值在信号向前传递中保持不变，各层神经元状态只影响其下一层神经元状态。

7、当不能在输出层得到期望输出时，则转入误差信号的反向传播。X络实际输出与期望输出之间差值即为误差信号，误差信号反向传播是误差信号由输出端逐层向前传播。在反向传播中，由误差反馈进行调整X络权值，通过不断修正权值使X络实际输出更接近期望输出。　　BPX络算法如下：　　1)初始化权值为一系列小随机数：　　2)给定X1X2…Xn为输入向量，Y1Y2…Yn为目标输出；　　3)从第一个隐含层开始计算各层各单元的净输入值：即　　其中Ojk为输出到j单元上的k单元的输出值；N为与j单元相连的输出单元数；Wjk为j单元与k单元之间的连接权值；　

8、　4)由净输入值和激活函数得出激活值ajaj=fj(Sj)　　5)由激活值aj计算出输出值OjOj=G(aj)(3-24)　　其中G为输出函数，中间层的G(aj)=aj：输出层的G则需根据输入输出模式具体确定；　　6)由输出层反向逐层计算连接权的修正值△Wij　　7)重复步骤(3)至(6)