兆尹电信业营销决策支持解决方案

2、系统实行手艺
1)Zach man框架
Zach man框架用来对企业、组织建设需求网络的蓝图，从企业的信息需求最先建设企业数据模子并进而开发数据堆栈。

图1. Zach man框架

2)多维DBMS模子和营业维生命周期法

多维DBMS主要用来建设数据集市和操作性数据存储情况。营业维生命周期法是Kimball提倡的以维度建模为基础的数据集市设计流程，差别于Inmon的企业信息工厂（CIF），维度建模直接从营业需求最先，能在短时间内发生收益。营业维生命周期要领的主要手艺规范是一致性维度和一致性事实的总线结构。

图2. 营业维生命周期法
3)专家评分
专家打分法的程序
>选择专家
>确定影响因素，设计价值剖析工具征询意见表
>向专家提供配景资料，以匿名方式征询专家意见
>建设条理结构，将因素分层：方案层、详细因素层1......详细因素层n、目的层
>征集专家意见，对专家意见举行剖析汇总，将统计效果反馈给专家，专家凭据反馈效果修正自己的意见，经由多轮匿名征询和意见反馈，形成最终剖析结论，确定各详细因素层指标的权重
4)分类/评分建模
主要使用的的分类建模要领有：
>Logistic回归要领
>K-最近邻要领
>递归分类树（Recursive Classification Tree, RCT）
>神经网络
>支持向量机（SVM）分类
>Logistic-Naive Bayes混淆动态模子
　　质朴贝叶斯分类器（Naive Bayes）假定特征向量的各分量间相对于决议变量是相对自力的,软件公司

并使用概率规则来实现学习或某种推理历程,即将学习或推理的效果表现为随机变量的概率漫衍,这可以诠释为对差别可能性的信托水平。它的理论基础就是贝叶斯定理和贝叶斯假设。但由于质朴贝叶斯分类器的条件自力性假设,使得所选数据集的条件属性集在预处置惩罚时必须举行属性约简
　　Naive Bayes是一种简朴而高效的分类器,可是其属性自力性假设限制了对现实数据的应用,我们通过建模测试发现，单独使用Naive Bayes法建设的模子准确度很高，但模子稳固性较差，仅对其中部门数据的分类准确。为了同时保证模子的稳固性和准确性，我们提出一种新的算法,即Logistic-Naive Bayes混淆动态模子，可以制止数据预处置惩罚时,训练集的噪声及数据规模使属性约简的效果不太理想,并进而影响分类效果。我们首先在训练集上通过随机属性选取天生若干属性子集,并以这些子集构建响应的质朴贝叶斯分类器,进而接纳遗传算法举行优选,挑选出适合Naive Bayes分类器建模的数据，剩余的数据用最为稳固的Logistic回归建模。最终实验讲明,与其他分类要领相比,该要领不仅可以提高展望的精度，又能保持很好的稳固性。 

 2/2   首页 上一页 1 2