《表5 LRFMS模型采用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

未融入客户评论情感的模型在不同核函数的SVM上的表现见表5。从表4和表5可以发现，两种模型在多项式核函数SVM上具有较好的表现，而且融入客户评论情感的模型预测结果相对更好。数据对比发现:（1）在命中率上，LRFMSE的提升和降低均在0.01%~0.03%之间，相差不大。结合LRFMS在覆盖率上的提升对比与命中率、覆盖率公式可知，在4种核函数SVM上，LRFMS预测结果中的假正率相差不大，即预测正确的非流失客户数量基本相同。（2）在覆盖率上，LRFMSE在径向基核函数、多项式核函数上均比LRFMS有所提升，其中径向基函数提升程度最大，为0.44%，多项式核函数提升0.22%左右；线性核函数仅提升0.02%；而在Sigmoid核函数上，覆盖率略低于LRFMS，但与在其他核函数上的提升程度相差较大，可以认为LRFMSE在线性核函数与Sigmoid核函数上基本持平。虽然径向基核函数提升系数最大，但是覆盖率仅略高于47%，预测效果不好。基于此，可以认为在覆盖率上，4种核函数SVM中，LRFMSE在多项式核函数上的预测结果比LRFMS要好，能够更多地获得预测正确的流失客户。（3）在准确率上，LRFMSE除了在Sigmoid核函数比LRFMS低0.04%之外，在其他3种核函数上均比LRFMS有所提升。其中，径向基核函数提升最多，多项式核函数次之，线性核函数提升仅为0.01%。说明LRFMSE在SVM上的综合预测性能要优于LRFMS。（4）在提升系数上，LRFMSE在多项式核函数上比LRFMS提升0.04%，在径向基核函数上与LRFMS持平，其余两种核函数均比LRFMS低0.01%。说明LRFMSE在多项式核函数上比LRFMS有所提升，而其余3种核函数并没有提高预测能力，但也没有降低预测能力。总而言之，融入客户评论情感打分后的LRFMSE在SVM上的预测结果要优于LRFMS的预测结果。