基于代价敏感学习的信用卡客户价值分类研究

随着行业竞争激烈程度的加剧,信用卡行业进行客户价值分类研究具有重要的现实意义与现实需求。但是基于准确率的经典分类方法无法解决客户价值分类问题,因为以往的分类算法是建立在误分类代价相等的基础上,而客户价值分类问题的误分类代价具有很大差距,把高价值客户判定为低价值客户的代价与把低价值客户判定为高价值客户的代价是完全不同的,前者以客户流失为代价远远高于后者的过度营销代价。因此为了对客户价值分类问题进行研究,必须要引入代价敏感理论。 目前代价敏感学习理论没有专门用于客户价值分类的代价敏感模型,同时已有的代价敏感学习理论大都虚拟假定代价矩阵,没能结合行业问题建立代价函数,缺乏可靠的代价函数导致所建的代价敏感算法处于实验阶段而不能真正的用于解决实际问题。 为了更有效率的进行客户价值分类,本文提出了客户价值的代价敏感分类模型。该模型主要包括两大研究问题:如何建立代价敏感决策树算法以及如何利用客户价值评价方法建立客户价值代价函数。把该模型应用到某银行信用卡客户数据中,实例研究验证了该模型的可行性。将本模型与欠取样模型和经典的ID3模型进行对比,三组对比实验的结果显示该方法能够不受样本容量的影响,能够处理高代价比例的问题,因此本文提出的模型能够更有效的解决客户价值分类中的代价敏感问题。