本文主要是介绍论文笔记1《基于ID3决策树改进算法的客户流失预测分析》，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
《计算机科学》 2010年
部分摘要：指出了该算法的取指偏向性以及运算效率不高等缺点，在此基础上提出了改进的ID3算法，该算法通过引入先验知识度参数，有效克服ID3算法中的取值偏向性和运算效率不高等问题。
算法改进：针对传统的ID3算法的缺点与不足进行以下三点尝试性的改进。
（1） 引入权重因子m，设属性A有n种取值，那么m=1/n（可根据经验设定）；
则G(A)=[I(p,n)-E(A)]*m
（2） 定义函数H(p,1-p)=-p*log(p)-(1-p)log(1-p), 【其中logx以2为底】；
（3） 事后剪枝；自下而上检查内部节点，如果子树产生的错误大于叶节点表示代替它所产生的错误，就剪掉子树；
评价：
客户流失评价矩阵：
| 预测流失 | 预测不流失 | 合计 |
实际流失 | TP | FN | TP+FN |
实际不流失 | FP | TN | FP+TN |
合计 | TP+FP | FN+TN | TP+FN+FP+TN |
TP(True Position);FP(False Position);
FN(False Negatives);TN(True Negatives)
预测命中率=*100%
预测覆盖率=*100%
预测命中率是描述模型精确度的指标（在本文中是预测流失中实际流失的比例）
预测覆盖率是描述模型普适性的指标（本文中是实际流失中预测正确的比例）
实验结果对比：
取2009年5月份前的历史数据，随机抽取2000条记录进行建模，预测模型对训练集的预测结果：
| 预测流失 | 预测不流失 | 合计 |
实际流失 | 304 | 60 | 364 |
实际不流失 | 20 | 1616 | 1636 |
合计 | 324 | 1676 | 2000 |
预测命中率=*100%=93.33%
预测覆盖率=*100%=83.62%
取2009年5月份的历史数据，随机抽取2000条记录进行预测，则模型对测试集的预测结果：
| 预测流失 | 预测不流失 | 合计 |
实际流失 | 252 | 98 | 348 |
实际不流失 | 106 | 1548 | 1652 |
合计 | 358 | 1642 | 2000 |
预测命中率=*100%=70.39%
预测覆盖率=*100%=72.41%
结果对比检验表明，模型的预测命中率与覆盖率比训练情况稍差，但依然保持了比较好的预测性能。
另外，为了验证改进算法的有效性，采用同样的数据集建模，在相同的计算机平台上将改进后的决策树算法的效率和原来ID3决策树算法的效率进行对比，其计算效率提高了23.5左右，这充分说明使用该改进算法能够以更高的效率和准确率构造决策树，基本达到了实验要求。
部分结束语：
结果表明，改进算法不仅能更快更高效地建立模型，而且可以提供更高的检测率和更低的误检率。改进的ID3算法的关键是引入调整因子，而调整因子如何确定是以后要进一步研究的工作。
这篇关于论文笔记1《基于ID3决策树改进算法的客户流失预测分析》的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
