《表4 LRFMSE模型在不同核函数的预测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融入客户价值特征和情感特征的网络客户流失预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

融入客户评论情感打分后，LRFMSE在不同核函数的表现见表4。由表4可知:（1）在命中率上，4种不同的核函数均有较高的结果，其中径向基核函数的命中率最高，但覆盖率低，说明将非流失客户预测为流失客户的数量最少，即预测正确的非流失客户的数量最多；Sigmoid核函数与径向基核函数的情况类似，但覆盖率略高于径向基核函数，而命中率略低于径向基核函数，说明Sigmoid核函数预测正确的非流失客户的数量较多，仅次于径向基核函数；多项式核函数的命中率略低于线性核函数，但是覆盖率高出4.15%，说明多项式核函数预测正确的非流失客户的数量低于线性核函数。（2）在覆盖率上，多项式核函数的覆盖率最高，说明多项式核函数预测正确的流失客户最多；其次是线性核函数，说明其也能获得较多的预测正确的流失客户；其余两种核函数的SVM的覆盖率在50%左右，与前面两种相比，差距较大，说明这两种核函数有一半左右的流失客户没有预测正确，误差代价较大。（3）在准确率的表现上，多项式核函数、线性核函数同样优于径向基核函数和Sigmoid核函数，其中多项式核函数的准确率最高，说明多项式核函数的综合预测性能在4种核函数中最好；而径向基核函数和Sigmoid核函数的准确率在50%左右，说明基于径向基和Sigmoid函数的SVM与不使用预测模型的结果相比，没有任何优势。（4）在提升系数上，4种核函数的SVM的提升系数都略大于1，说明模型的整体提升效果明显。模型需要的是预测出正确的流失客户，相对来说，将非流失客户预测为流失客户的代价较小。由此，综合模型在4个评价指标上的表现，在4种核函数的SVM中，模型在基于多项式核函数的SVM上的表现最佳。